論文の概要: Adaptive Retrieval for Reasoning-Intensive Retrieval

• arxiv url: http://arxiv.org/abs/2601.04618v1
• Date: Thu, 08 Jan 2026 05:46:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.058202
• Title: Adaptive Retrieval for Reasoning-Intensive Retrieval
• Title（参考訳）: Reasoning-Intensive Retrieval に対する適応検索
• Authors: Jongho Kim, Jaeyoung Kim, Seung-won Hwang, Jihyuk Kim, Yu Jin Kim, Moontae Lee,
• Abstract要約: Bridgeドキュメントは、推論プロセスに寄与するが、初期クエリに直接関連しないドキュメントである。 既存の推論ベースのリランカパイプラインは、これらのドキュメントをランキングで表示しようとするが、バウンドリコールに悩まされる。 適応検索のための高密度フィードバック信号として、推論計画を再取得することで、このギャップを埋めるフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 60.30588731127791
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study leveraging adaptive retrieval to ensure sufficient "bridge" documents are retrieved for reasoning-intensive retrieval. Bridge documents are those that contribute to the reasoning process yet are not directly relevant to the initial query. While existing reasoning-based reranker pipelines attempt to surface these documents in ranking, they suffer from bounded recall. Naive solution with adaptive retrieval into these pipelines often leads to planning error propagation. To address this, we propose REPAIR, a framework that bridges this gap by repurposing reasoning plans as dense feedback signals for adaptive retrieval. Our key distinction is enabling mid-course correction during reranking through selective adaptive retrieval, retrieving documents that support the pivotal plan. Experimental results on reasoning-intensive retrieval and complex QA tasks demonstrate that our method outperforms existing baselines by 5.6%pt.
• Abstract（参考訳）: 本研究では, 適応検索を活用して, 推論集約検索に十分な「ブリッジ」文書を検索する方法について検討する。 ブリッジ文書は、推論プロセスに貢献するが、初期クエリに直接関連しないものである。 既存の推論ベースのリランカパイプラインは、これらのドキュメントをランキングで表示しようとするが、リコールのバウンドに悩まされる。 これらのパイプラインに適応的な検索を行うソリューションは、しばしば計画エラーの伝搬につながる。 そこで本研究では,このギャップを埋めるフレームワークであるREPAIRを提案する。 我々の重要な違いは、選択的な適応検索によって、重要な計画を支援する文書を検索することで、リランク中の中間修正を可能にすることである。 推論集約型検索と複雑なQAタスクの実験結果から,本手法が既存のベースラインを5.6%上回る結果が得られた。

関連論文リスト

• Query Decomposition for RAG: Balancing Exploration-Exploitation [83.79639293409802]
  RAGシステムは複雑なユーザ要求に対処し、それらをサブクエリに分解し、それぞれに関連する可能性のあるドキュメントを取得し、それを集約して回答を生成する。 クエリの分解とドキュメントの検索をエクスプロレーション探索設定で定式化し、一度に1つのドキュメントを検索すると、与えられたサブクエリの有用性についての信念が構築される。 我々の主な発見は、ランク情報と人的判断を用いた文書関連性の推定により、文書レベルの精度が35%向上し、α-nDCGが15%向上し、長文生成の下流タスクの性能が向上するということである。
  論文  参考訳（メタデータ） (2025-10-21T13:37:11Z)
• Beyond Sequential Reranking: Reranker-Guided Search Improves Reasoning Intensive Retrieval [8.57583804155738]
  本稿では,Reranker-Guided-Search(RGS)を提案する。 本手法では, 近似近傍アルゴリズムにより生成した近接グラフのグリーディ探索を用いる。 実験の結果、複数のベンチマークで大幅に性能が向上した。
  論文  参考訳（メタデータ） (2025-09-08T19:24:09Z)
• Improving Document Retrieval Coherence for Semantically Equivalent Queries [63.97649988164166]
  同じ文書を検索する際のモデルのコヒーレンスを改善する訓練DRにおける多段階ランク付け損失のバリエーションを提案する。 この損失は、多様だがセマンティックな等価なクエリのために検索されたトップkランクのドキュメント間の不一致を罰する。
  論文  参考訳（メタデータ） (2025-08-11T13:34:59Z)
• Options-Aware Dense Retrieval for Multiple-Choice query Answering [5.098112872671412]
  長文複数選択質問応答タスクは、広範囲なテキストソースに対して頑健な推論を必要とする。 この領域における先行研究は、主に事前訓練された高密度検索モデルを利用している。 本稿では,これらの課題に対処するため,OADR (Options Aware Dense Retrieval) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-27T15:03:26Z)
• Bridging Relevance and Reasoning: Rationale Distillation in Retrieval-Augmented Generation [45.366826050955105]
  本稿では,Rationale DistillatiOnを用いた新規かつ実用的な嗜好アライメントフレームワークであるRADIOを提案する。 まず,Large Language Models (LLMs) の推論能力を活用して,問合せに要する有理を抽出する理性抽出手法を提案する。 その後、抽出された有理性に基づいて文書を再引用する合理性に基づくアライメントプロセスが設計され、その選好を調整するために再帰者を微調整する。
  論文  参考訳（メタデータ） (2024-12-11T16:32:41Z)
• Quam: Adaptive Retrieval through Query Affinity Modelling [15.3583908068962]
  ユーザ情報要求に基づいて文書をランク付けする関連モデルを構築することは,情報検索とNLPコミュニティの中心的な課題である。 提案するQuamにより,適応検索の初期段階の統一的な視点を提案する。 提案手法であるQuamは,リコール性能を26%向上させる。
  論文  参考訳（メタデータ） (2024-10-26T22:52:12Z)
• Contrastive Learning to Improve Retrieval for Real-world Fact Checking [84.57583869042791]
  ファクト・チェッキング・リランカ(Contrastive Fact-Checking Reranker, CFR)を提案する。 我々はAVeriTeCデータセットを活用し、証拠文書からの人間による回答とクレームのサブクエストを注釈付けする。 データセットの精度は6%向上した。
  論文  参考訳（メタデータ） (2024-10-07T00:09:50Z)
• Hybrid and Collaborative Passage Reranking [144.83902343298112]
  本稿では,HybRank(HybRank)手法を提案する。 スパースとシークエンスレトリバーの語彙的および意味的特性を組み込んで再ランク付けする。 HybRankは、既製のレトリバー機能をベースに構築されており、任意のパスリストを拡張できるプラグインリランカである。
  論文  参考訳（メタデータ） (2023-05-16T09:38:52Z)
• LoL: A Comparative Regularization Loss over Query Reformulation Losses for Pseudo-Relevance Feedback [70.44530794897861]
  Pseudo-Relevance feedback (PRF) は、検索精度を向上させるための効果的なクエリ修正手法であることが証明されている。 既存のPRF手法は、同じクエリから派生した修正クエリを個別に扱うが、異なる数のフィードバックドキュメントを使用する。 そこで我々はLos-over-Loss(LoL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-25T10:42:50Z)

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。