論文の概要: RAC: Retrieval-Augmented Clarification for Faithful Conversational Search

• arxiv url: http://arxiv.org/abs/2601.11722v1
• Date: Fri, 16 Jan 2026 19:16:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.300581
• Title: RAC: Retrieval-Augmented Clarification for Faithful Conversational Search
• Title（参考訳）: RAC: 忠実な会話検索のための検索強化の明確化
• Authors: Ahmed Rayane Kebir, Vincent Guigue, Lynda Said Lhadj, Laure Soulier,
• Abstract要約: RAC(Retrieval-Augmented Clarification)は,コーパスに忠実な質問を生成するためのフレームワークである。 検索のための索引付け戦略を比較した後、研究コンテキストを最適に活用するために、大規模言語モデルを微調整する。 提案手法は,提案手法を適用せず,検索した経路によって支持される質問を優先するために,コントラッシブな選好最適化を適用する。
• 参考スコア（独自算出の注目度）: 7.0486278653981245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clarification questions help conversational search systems resolve ambiguous or underspecified user queries. While prior work has focused on fluency and alignment with user intent, especially through facet extraction, much less attention has been paid to grounding clarifications in the underlying corpus. Without such grounding, systems risk asking questions that cannot be answered from the available documents. We introduce RAC (Retrieval-Augmented Clarification), a framework for generating corpus-faithful clarification questions. After comparing several indexing strategies for retrieval, we fine-tune a large language model to make optimal use of research context and to encourage the generation of evidence-based question. We then apply contrastive preference optimization to favor questions supported by retrieved passages over ungrounded alternatives. Evaluated on four benchmarks, RAC demonstrate significant improvements over baselines. In addition to LLM-as-Judge assessments, we introduce novel metrics derived from NLI and data-to-text to assess how well questions are anchored in the context, and we demonstrate that our approach consistently enhances faithfulness.
• Abstract（参考訳）: 明確化に関する質問は、会話型検索システムが曖昧または不特定なユーザクエリを解決するのに役立つ。 以前の作業では、特にファセット抽出を通じて、ユーザ意図の流布と整合性に重点を置いていたが、基礎となるコーパスの明確化には、はるかに注意が払われていない。 このような根拠がなければ、システムは利用可能な文書から答えられない質問をするリスクを負う。 RAC(Retrieval-Augmented Clarification)は,コーパスに忠実な質問を生成するためのフレームワークである。 検索のための索引付け戦略を比較した後、研究コンテキストを最適に活用し、エビデンスベースの質問の生成を促すために、大規模言語モデルを微調整する。 提案手法は,提案手法を適用せず,検索した経路によって支持される質問を優先するために,コントラッシブな選好最適化を適用する。 4つのベンチマークで評価すると、RACはベースラインよりも大幅に改善されている。 LLM-as-Judge の評価に加えて,NLI と Data-to-text から得られた新しい指標を導入し,質問の文脈における定着度を評価するとともに,我々のアプローチが一貫して忠実性を高めることを示す。

関連論文リスト

• Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce [61.03081096959132]
  そこで本稿では,複雑な状況下でのテキストバウンダリングを改善するための,文脈対応推論強化型生成検索フレームワークを提案する。 提案手法は,強力なベースラインに比べて優れた性能を示し,検索に基づく推薦の有効性を検証した。
  論文  参考訳（メタデータ） (2025-10-19T16:46:11Z)
• Distilling a Small Utility-Based Passage Selector to Enhance Retrieval-Augmented Generation [110.610512800947]
  Retrieval-augmented Generation (RAG)は、取得した情報を組み込むことで、大規模言語モデル(LLM)を強化する。 RAGでは、重要度は実用性に移行し、正確な回答を生成するためのパスの有用性を考慮している。 提案手法は、ランク付けよりもユーティリティベースの選択に重点を置いており、固定しきい値を必要とせずに、特定のクエリに合わせた動的通過選択を可能にする。 本実験は, 実用性に基づく選択により, RAGの柔軟性とコスト効率が向上し, 計算コストが大幅に低減され, 応答品質が向上することを示した。
  論文  参考訳（メタデータ） (2025-07-25T09:32:29Z)
• ClueAnchor: Clue-Anchored Knowledge Reasoning Exploration and Optimization for Retrieval-Augmented Generation [82.54090885503287]
  Retrieval-Augmented Generationは、外部知識を持つ大規模言語モデルを拡張して、事実性を改善する。 既存のRAGシステムは、忠実で解釈可能な推論をサポートするために必要な重要な手がかりを抽出して統合することができない。 本稿では,手掛かり付き推論探索と最適化によるRAG向上のための新しいフレームワークであるClueAnchorを提案する。
  論文  参考訳（メタデータ） (2025-05-30T09:18:08Z)
• Improving RAG Retrieval via Propositional Content Extraction: a Speech Act Theory Approach [0.0]
  本稿では,ユーザ発話から提案内容を抽出することで,検索・拡張生成システムにおける検索品質が向上するかどうかを考察する。 本稿では,クエリを埋め込む前に提案する等価表現に自動的に変換する実用的な手法を提案する。
  論文  参考訳（メタデータ） (2025-03-07T20:15:40Z)
• Adaptive Contrastive Decoding in Retrieval-Augmented Generation for Handling Noisy Contexts [24.5315425886482]
  文脈の影響を効果的に活用するための適応型コントラスト復号法(ACD)を提案する。 ACDは、ベースラインよりもオープンドメインの質問応答タスクの改善を示している。
  論文  参考訳（メタデータ） (2024-08-02T08:03:38Z)
• Dense X Retrieval: What Retrieval Granularity Should We Use? [56.90827473115201]
  しばしば見過ごされる設計選択は、コーパスが索引付けされる検索単位である。 本稿では,高密度検索のための新しい検索ユニット,命題を提案する。 実験により、提案のような細粒度単位によるコーパスのインデックス付けは、検索タスクにおける通過レベル単位を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-12-11T18:57:35Z)
• Multi-Stage Conversational Passage Retrieval: An Approach to Fusing Term Importance Estimation and Neural Query Rewriting [56.268862325167575]
  マルチステージアドホックIRシステムにクエリ再構成を組み込んだ会話経路検索(ConvPR)に取り組む。 本稿では,1項の重要度推定と2項のニューラルクエリ書き換えという2つの手法を提案する。 前者に対しては、周波数に基づく信号を用いて会話コンテキストから抽出した重要な用語を用いて会話クエリを拡張する。 後者では,会話クエリを,事前訓練されたシーケンス列列列モデルを用いて,自然な,スタンドアロンの,人間の理解可能なクエリに再構成する。
  論文  参考訳（メタデータ） (2020-05-05T14:30:20Z)

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。