論文の概要: HiFi-RAG: Hierarchical Content Filtering and Two-Pass Generation for Open-Domain RAG

• arxiv url: http://arxiv.org/abs/2512.22442v1
• Date: Sat, 27 Dec 2025 02:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.056124
• Title: HiFi-RAG: Hierarchical Content Filtering and Two-Pass Generation for Open-Domain RAG
• Title（参考訳）: HiFi-RAG:オープンドメインRAGのための階層的コンテンツフィルタリングとツーパス生成
• Authors: Cattalyya Nuengsigkapian,
• Abstract要約: HiFi-RAGは、MMU-RAGent NeurIPS 2025コンペティションのテキストからテキストへの静的評価において勝利したクローズドソースシステムである。 我々は、クエリの定式化、階層的コンテンツフィルタリング、引用属性にGemini 2.5 Flashの速度とコスト効率を活用し、最終回答生成のためにGemini 2.5 Proの推論能力を保っている。
• 参考スコア（独自算出の注目度）: 0.29008108937701327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) in open-domain settings faces significant challenges regarding irrelevant information in retrieved documents and the alignment of generated answers with user intent. We present HiFi-RAG (Hierarchical Filtering RAG), the winning closed-source system in the Text-to-Text static evaluation of the MMU-RAGent NeurIPS 2025 Competition. Our approach moves beyond standard embedding-based retrieval via a multi-stage pipeline. We leverage the speed and cost-efficiency of Gemini 2.5 Flash (4-6x cheaper than Pro) for query formulation, hierarchical content filtering, and citation attribution, while reserving the reasoning capabilities of Gemini 2.5 Pro for final answer generation. On the MMU-RAGent validation set, our system outperformed the baseline, improving ROUGE-L to 0.274 (+19.6%) and DeBERTaScore to 0.677 (+6.2%). On Test2025, our custom dataset evaluating questions that require post-cutoff knowledge (post January 2025), HiFi-RAG outperforms the parametric baseline by 57.4% in ROUGE-L and 14.9% in DeBERTaScore.
• Abstract（参考訳）: オープンドメイン設定における検索-拡張生成(RAG)は、検索された文書の無関係情報と、生成した回答とユーザ意図との整合性に関する重要な課題に直面している。 我々は,MMU-RAGent NeurIPS 2025 コンペティションのテキスト・テキスト静的評価において,勝利したクローズドソースシステム HiFi-RAG (Hierarchical Filtering RAG) を提案する。 我々のアプローチは、マルチステージパイプラインによる標準的な埋め込みベースの検索を超えています。 Gemini 2.5 Flash(Proより4～6倍安い)をクエリ定式化、階層的コンテンツフィルタリング、引用属性に利用し、最終回答生成のためのGemini 2.5 Proの推論能力を保っている。 MMU-RAGent検証セットでは,ROUGE-Lを0.274(+19.6%),DeBERTaScoreを0.677(+6.2%)に改善した。 Test2025では、カットオフ後の知識を必要とする質問を評価するカスタムデータセット(2025年1月以降)で、HiFi-RAGは、ROUGE-Lでは57.4%、DeBERTaScoreでは14.9%でパラメトリックベースラインを上回ります。

関連論文リスト

• InfoGain-RAG: Boosting Retrieval-Augmented Generation via Document Information Gain-based Reranking and Filtering [17.346965728209394]
  Retrieval-Augmented Generation (RAG) は,Large Language Models (LLMs) の重要な限界に対処する,有望なアプローチとして登場した。 本稿では,検索した文書のコントリビューションを定量化し,回答生成の精度を高めるために,文書情報ゲイン(Document Information Gain, DIG)を提案する。 本稿では,DIGスコアを利用した特殊リランカの学習フレームワークInfoGain-RAGを紹介する。
  論文  参考訳（メタデータ） (2025-09-16T07:28:07Z)
• Retrieval-Augmented Generation for Reliable Interpretation of Radio Regulations [49.671779378073886]
  無線規制分野における質問応答について検討する。 本稿では,通信事業者固有のレトリーバル拡張生成(RAG)パイプラインを提案する。 当社のアプローチは,テスト対象モデル全体の生成精度を一貫して向上させる。
  論文  参考訳（メタデータ） (2025-09-11T17:43:42Z)
• Evaluating Hybrid Retrieval Augmented Generation using Dynamic Test Sets: LiveRAG Challenge [8.680958290253914]
  本稿では,動的テストセット上での検索強化生成システム(RAG)の評価を行うLiveRAG Challenge 2025を提案する。 我々の最後のハイブリッドアプローチはスパース (BM25) と高密度 (E5) の検索手法を組み合わせたものである。 RankLLaMA を用いたニューラルリランクでは MAP は0.523 から 0.797 に向上するが,計算コストは禁忌である。
  論文  参考訳（メタデータ） (2025-06-27T21:20:43Z)
• R.I.P.: Better Models by Survival of the Fittest Prompts [51.2293437372642]
  本稿では,低品質入力が高ばらつきと低品質応答をもたらすという仮定に基づいて,データの完全性を評価する手法を提案する。 これは、拒否された応答品質と、選択された選好対と拒否された選好対の間の報酬ギャップを測定することで達成される。
  論文  参考訳（メタデータ） (2025-01-30T18:50:25Z)
• Retrieval-Augmented Generation for Domain-Specific Question Answering: A Case Study on Pittsburgh and CMU [3.1787418271023404]
  我々は、ドメイン固有の質問に答えるために、関連文書を含む大規模言語モデルを提供するために、検索型拡張生成システム(RAG)を設計した。 我々は,グリーディスクレーピング戦略を用いて1,800以上のサブページを抽出し,手動とMistralの生成した質問応答ペアを組み合わせたハイブリッドアノテーションプロセスを用いた。 我々のRAGフレームワークはBM25とFAISSレトリバーを統合し、文書検索精度を向上させるリランカで強化した。
  論文  参考訳（メタデータ） (2024-11-20T20:10:43Z)
• RankRAG: Unifying Context Ranking with Retrieval-Augmented Generation in LLMs [60.38044044203333]
  大規模言語モデル(LLM)は、通常、検索拡張生成(RAG)において、レトリバーからトップkコンテキストを利用する。 本稿では,RAGにおける文脈ランク付けと回答生成の両目的のために,単一のLLMをチューニング可能な新しい命令微調整フレームワークであるRanRAGを提案する。 例えば、GPT-4-0613, GPT-4-turbo-2024-0409, ChatQA-1.5, RAGベンチマークの最先端性能を備えたオープンソースモデルなどである。
  論文  参考訳（メタデータ） (2024-07-02T17:59:17Z)
• The Chronicles of RAG: The Retriever, the Chunk and the Generator [0.0]
  本稿では,ブラジルポルトガル語のRAGの実装,最適化,評価を行うための優れたプラクティスを提案する。 我々は最初のハリー・ポッターの本についての質問に答えるための様々な方法を探究する。
  論文  参考訳（メタデータ） (2024-01-15T18:25:18Z)
• Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting [65.00288634420812]
  Pairwise Ranking Prompting (PRP)は、大規模言語モデル(LLM)の負担を大幅に軽減する手法である。 本研究は,中等級のオープンソースLCMを用いた標準ベンチマークにおいて,最先端のランク付け性能を達成した文献としては初めてである。
  論文  参考訳（メタデータ） (2023-06-30T11:32:25Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。