Fugu-MT 論文翻訳(概要): Incorporating Q&A Nuggets into Retrieval-Augmented Generation

論文の概要: Incorporating Q&A Nuggets into Retrieval-Augmented Generation

arxiv url: http://arxiv.org/abs/2601.13222v1
Date: Mon, 19 Jan 2026 16:57:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-21 22:47:22.977176
Title: Incorporating Q&A Nuggets into Retrieval-Augmented Generation
Title（参考訳）: 検索拡張ジェネレーションへのQ&Aナゲットの導入
Authors: Laura Dietz, Bryan Li, Gabrielle Liu, Jia-Huei Ju, Eugene Yang, Dawn Lawrie, William Walden, James Mayfield,
Abstract要約: CrucibleはNugget-Augmented Generation Systemであり、取得した文書からQ&Aナゲットの銀行を構築することで、明示的な引用の証明を保存する。ナゲットの推論は、明確で解釈可能なQ&Aセマンティクスを通じて繰り返し情報を避ける。我々のシステムは,近年のナゲットベースRAGシステムであるGingerを,ナゲットリコール,密度,励振グラウンドリングで大きく上回っている。
参考スコア（独自算出の注目度）: 23.32167679162754
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: RAGE systems integrate ideas from automatic evaluation (E) into Retrieval-augmented Generation (RAG). As one such example, we present Crucible, a Nugget-Augmented Generation System that preserves explicit citation provenance by constructing a bank of Q&A nuggets from retrieved documents and uses them to guide extraction, selection, and report generation. Reasoning on nuggets avoids repeated information through clear and interpretable Q&A semantics - instead of opaque cluster abstractions - while maintaining citation provenance throughout the entire generation process. Evaluated on the TREC NeuCLIR 2024 collection, our Crucible system substantially outperforms Ginger, a recent nugget-based RAG system, in nugget recall, density, and citation grounding.
Abstract（参考訳）: RAGEシステムは、自動評価(E)からRetrieval-augmented Generation(RAG)にアイデアを統合する。例えば,Nugget-Augmented Generation System は,検索文書からQ&Aナゲットのバンクを構築し,抽出,選択,レポート生成のガイドとして使用することで,明示的な引用の証明を保った。ナゲットの推論は、不透明なクラスタ抽象化ではなく、明確で解釈可能なQ&Aセマンティクスを通じて繰り返し情報を回避し、生成プロセス全体を通して引用の証明を維持します。 TREC NeuCLIR 2024 コレクションで評価したところ,我々のCrucible システムは,最近のNugget ベースのRAG システムである Ginger を,Nugget のリコール,密度,および励振グラウンドにおいて大幅に上回っている。

関連論文リスト

VeriCite: Towards Reliable Citations in Retrieval-Augmented Generation via Rigorous Verification [107.75781898355562]
証拠を厳格に検証し,回答の帰属性を高めるために設計された,VeriCiteと呼ばれる新しいフレームワークを紹介する。我々は,5つのオープンソースLCMと4つのデータセットを対象とした実験を行い,VeriCiteが回答の正しさを維持しつつ,引用品質を大幅に向上できることを実証した。
論文参考訳（メタデータ） (2025-10-13T13:38:54Z)
The Great Nugget Recall: Automating Fact Extraction and RAG Evaluation with Large Language Models [53.12387628636912]
本稿では,人間のアノテーションに対して評価を行う自動評価フレームワークを提案する。この手法は2003年にTREC Question Answering (QA) Trackのために開発された。完全自動ナゲット評価から得られるスコアと人間に基づく変種とのランニングレベルでの強い一致を観察する。
論文参考訳（メタデータ） (2025-04-21T12:55:06Z)
Conversational Gold: Evaluating Personalized Conversational Search System using Gold Nuggets [8.734527090842139]
本稿では,RAGシステムによって生成された応答の検索効率と関連性を評価するための新しいリソースを提案する。我々のデータセットは、TREC iKAT 2024コレクションに拡張され、17の会話と20,575の関連パスアセスメントを含む。
論文参考訳（メタデータ） (2025-03-12T23:44:10Z)
Unanswerability Evaluation for Retrieval Augmented Generation [74.3022365715597]
UAEval4RAGは、RAGシステムが解答不能なクエリを効果的に処理できるかどうかを評価するために設計されたフレームワークである。我々は、6つの未解決カテゴリを持つ分類を定義し、UAEval4RAGは、多様で挑戦的なクエリを自動的に合成する。
論文参考訳（メタデータ） (2024-12-16T19:11:55Z)
Initial Nugget Evaluation Results for the TREC 2024 RAG Track with the AutoNuggetizer Framework [53.12387628636912]
本報告では、TREC 2024 Retrieval-Augmented Generation (RAG) Trackの部分的な結果について概説する。我々は、情報アクセスの継続的な進歩の障壁としてRAG評価を特定した。
論文参考訳（メタデータ） (2024-11-14T17:25:43Z)
Ground Every Sentence: Improving Retrieval-Augmented LLMs with Interleaved Reference-Claim Generation [51.8188846284153]
分散テキスト生成(ATG)は,RAGシステムにおける信頼性と妥当性を高めるために提案される。本稿では,参照と回答を段階的に交互に生成する詳細なATG手法であるReClaimを提案する。広範囲な実験により,ReClaimの有効性が検証され,90%の引用精度が得られた。
論文参考訳（メタデータ） (2024-07-01T20:47:47Z)
RQ-RAG: Learning to Refine Queries for Retrieval Augmented Generation [42.82192656794179]
大きな言語モデル(LLM)は優れた能力を示すが、不正確なあるいは幻覚反応を引き起こす傾向がある。この制限は、膨大な事前トレーニングデータセットに依存することに起因するため、目に見えないシナリオでのエラーの影響を受けやすい。 Retrieval-Augmented Generation (RAG) は、外部の関連文書を応答生成プロセスに組み込むことによって、この問題に対処する。
論文参考訳（メタデータ） (2024-03-31T08:58:54Z)
Corrective Retrieval Augmented Generation [36.04062963574603]
Retrieval-augmented Generation (RAG) は、検索された文書の関連性に大きく依存しており、検索が失敗した場合のモデルがどのように振る舞うかについての懸念を提起する。生成の堅牢性を改善するために,CRAG(Corrective Retrieval Augmented Generation)を提案する。 CRAGはプラグアンドプレイであり、様々なRAGベースのアプローチとシームレスに結合できる。
論文参考訳（メタデータ） (2024-01-29T04:36:39Z)

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。