論文の概要: SHRAG: AFrameworkfor Combining Human-Inspired Search with RAG

• arxiv url: http://arxiv.org/abs/2512.00772v1
• Date: Sun, 30 Nov 2025 08:06:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.413149
• Title: SHRAG: AFrameworkfor Combining Human-Inspired Search with RAG
• Title（参考訳）: SHRAG:人間にインスパイアされた検索とRAGを組み合わせたフレームワーク
• Authors: Hyunseok Ryu, Wonjune Shin, Hyun Park,
• Abstract要約: Retrieval-Augmented Generation (RAG) は次世代情報検索の鍵となる技術軸の1つとして認識されている。 本研究では,情報検索とRAGのシームレスな統合を支援する新しいフレームワークであるSHRAGを提案する。 実験の結果,提案手法は論理的検索能力と生成的推論を組み合わせることで,RAGシステムの精度と信頼性を大幅に向上させることができることがわかった。
• 参考スコア（独自算出の注目度）: 0.22940141855172033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) is gaining recognition as one of the key technological axes for next generation information retrieval, owing to its ability to mitigate the hallucination phenomenon in Large Language Models (LLMs)and effectively incorporate up-to-date information. However, specialized expertise is necessary to construct ahigh-quality retrieval system independently; moreover, RAGdemonstratesrelativelyslowerprocessing speeds compared to conventional pure retrieval systems because it involves both retrieval and generation stages. Accordingly, this study proposes SHRAG, a novel framework designed to facilitate the seamless integration of Information Retrieval and RAG while simultaneously securing precise retrieval performance. SHRAG utilizes a Large Language Model as a Query Strategist to automatically transform unstructured natural language queries into logically structured search queries, subsequently performing Boolean retrieval to emulate the search process of an expert human searcher. Furthermore, it incorporates multilingual query expansion and a multilingual embedding model, enabling it to perform efficient cross-lingual question answering within the multilingual dataset environment of the ScienceON Challenge. Experimental results demonstrate that the proposed method, combining logical retrieval capabilities and generative reasoning, can significantly enhance the accuracy and reliability of RAG systems. Furthermore, SHRAG movesbeyondconventionaldocument-centric retrieval methods, presenting the potential for a new search paradigm capable of providing direct and reliable responses to queries.
• Abstract（参考訳）: 大規模言語モデル(LLM)における幻覚現象を緩和し、最新情報を効果的に組み込む能力により、検索・拡張世代(RAG)は次世代情報検索の鍵となる技術軸の1つとして認識されつつある。 しかし、高度検索システムを独立に構築するには専門的な専門知識が必要である。また、検索と生成の両方の段階を含むため、従来の純粋な検索システムと比較してRAGdemonstratesrelativelyslowerprocessingの速度が低い。 そこで本研究では,精度の高い検索性能を確保しつつ,情報検索とRAGのシームレスな統合を容易にする新しいフレームワークであるSHRAGを提案する。 SHRAGはLarge Language Modelをクエリストラテジストとして利用し、構造化されていない自然言語クエリを論理的に構造化された検索クエリに自動的に変換し、続いてBoolean検索を実行し、専門家の検索者の検索プロセスをエミュレートする。 さらに、多言語クエリ拡張と多言語埋め込みモデルを導入し、ScienceON Challengeの多言語データセット環境内で効率的な言語間質問応答を可能にする。 実験の結果,提案手法は論理的検索能力と生成的推論を組み合わせることで,RAGシステムの精度と信頼性を大幅に向上させることができることがわかった。 さらに、SHRAGは従来型ドキュメント中心の検索手法の他に、クエリへの直接的かつ信頼性の高い応答を提供する新しい検索パラダイムの可能性を提示する。

関連論文リスト

• From Query to Explanation: Uni-RAG for Multi-Modal Retrieval-Augmented Learning in STEM [35.20687923222239]
  We developed a lightweight, efficient multi-modal search module called Uni-Retrieval。 クエリスタイルのプロトタイプを抽出し、継続的に更新されたPrompt Bankのトークンと動的にマッチする。 このPrompt Bankは、Mixture-of-Expert Low-Rank Adaptation (MoE-LoRA)モジュールを利用して、ドメイン固有の知識を符号化し、保存する。 元のUni-Retrievalをコンパクトな命令調整言語モデルと統合し、Uni-RAGという完全検索拡張生成パイプラインを形成する。
  論文  参考訳（メタデータ） (2025-07-05T02:44:38Z)
• ImpRAG: Retrieval-Augmented Generation with Implicit Queries [34.72864597562907]
  ImpRAGは、検索と生成を統一モデルに統合するクエリフリーなRAGシステムである。 我々は、ImpRAGが、多様な形式を持つ未確認タスクの正確なマッチスコアを3.6-11.5改善したことを示す。
  論文  参考訳（メタデータ） (2025-06-02T21:38:21Z)
• Retrieval-Augmented Generation: A Comprehensive Survey of Architectures, Enhancements, and Robustness Frontiers [0.0]
  Retrieval-Augmented Generation (RAG) は、大規模言語モデルを強化するための強力なパラダイムとして登場した。 RAGは、検索品質、基底忠実度、パイプライン効率、ノイズや逆入力に対する堅牢性といった新しい課題を導入している。 本調査は、RAG研究における現在の知識を集約し、次世代の検索強化言語モデリングシステムの基礎となることを目的としている。
  論文  参考訳（メタデータ） (2025-05-28T22:57:04Z)
• LevelRAG: Enhancing Retrieval-Augmented Generation with Multi-hop Logic Planning over Rewriting Augmented Searchers [24.01783076521377]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を緩和するための重要な方法である 既存のRAGメソッドは通常、検索範囲を広げるためにハイブリッド検索を使用しながら、ユーザ意図を明確にし、マルチホップロジックを管理するためにクエリ書き換えを使用する。 本稿では,複雑なクエリをアトミックなクエリに分解する高レベル検索手法を提案する。 高精度なキーワード検索にスパース検索の長所を利用するために,Lucene構文を用いて検索精度を向上させるスパース検索手法を開発した。
  論文  参考訳（メタデータ） (2025-02-25T12:09:16Z)
• A Proposed Large Language Model-Based Smart Search for Archive System [0.0]
  本研究では,デジタルアーカイブシステムにおけるスマート検索のための新しいフレームワークを提案する。 Retrieval-Augmented Generation (RAG) アプローチを用いることで、自然言語クエリの処理を可能にする。 本稿では,システムのアーキテクチャと実装について述べるとともに,その性能を4つの実験で評価する。
  論文  参考訳（メタデータ） (2025-01-13T02:53:07Z)
• CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。 従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。 粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• End-to-End Open Vocabulary Keyword Search With Multilingual Neural Representations [7.780766187171571]
  競合性能を実現するニューラルネットワークによるASRフリーキーワード検索モデルを提案する。 本研究は,多言語事前学習と詳細なモデル解析により拡張する。 実験の結果,提案した多言語学習はモデルの性能を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2023-08-15T20:33:25Z)
• Large Language Models for Information Retrieval: A Survey [83.75872593741578]
  情報検索は、項ベースの手法から高度なニューラルモデルとの統合へと進化してきた。 近年の研究では、大規模言語モデル(LLM)を活用してIRシステムの改善が試みられている。 LLMとIRシステムの合流点を探索し、クエリリライト、リトリバー、リランカー、リーダーといった重要な側面を含む。
  論文  参考訳（メタデータ） (2023-08-14T12:47:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。