論文の概要: OwlerLite: Scope- and Freshness-Aware Web Retrieval for LLM Assistants

• arxiv url: http://arxiv.org/abs/2601.17824v1
• Date: Sun, 25 Jan 2026 13:11:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.419187
• Title: OwlerLite: Scope- and Freshness-Aware Web Retrieval for LLM Assistants
• Title（参考訳）: OwlerLite: LLMアシスタントのためのスコープと鮮度を考慮したWeb検索
• Abstract要約: OwlerLiteはブラウザベースのRAGシステムで、ユーザが定義したスコープとデータの鮮度を検索の中心とする。 フレッシュネスを意識したクローラーは、ライブページを監視し、意味のある更新を識別するためにセマンティックチェンジ検出器を使用し、変更したコンテンツを選択的に再インデックスする。
• 参考スコア（独自算出の注目度）: 3.4012351571963073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Browser-based language models often use retrieval-augmented generation (RAG) but typically rely on fixed, outdated indices that give users no control over which sources are consulted. This can lead to answers that mix trusted and untrusted content or draw on stale information. We present OwlerLite, a browser-based RAG system that makes user-defined scopes and data freshness central to retrieval. Users define reusable scopes-sets of web pages or sources-and select them when querying. A freshness-aware crawler monitors live pages, uses a semantic change detector to identify meaningful updates, and selectively re-indexes changed content. OwlerLite integrates text relevance, scope choice, and recency into a unified retrieval model. Implemented as a browser extension, it represents a step toward more controllable and trustworthy web assistants.
• Abstract（参考訳）: ブラウザベースの言語モデルは、しばしば検索強化世代(RAG)を使用するが、一般的には、どのソースが参照されているかを制御できない固定された時代遅れのインデックスに依存している。 これにより、信頼されたコンテンツと信頼されていないコンテンツが混ざり合ったり、古い情報を引き付けたりする。 我々は,ユーザ定義のスコープとデータの鮮度を検索の中心とするブラウザベースのRAGシステムであるOwlerLiteを提案する。 ユーザは、Webページやソースの再利用可能なスコープセットを定義し、クエリ時にそれらを選択する。 フレッシュネスを意識したクローラーは、ライブページを監視し、意味のある更新を識別するためにセマンティックチェンジ検出器を使用し、変更したコンテンツを選択的に再インデックスする。 OwlerLiteは、テキストの関連性、スコープの選択、および参照を統一された検索モデルに統合する。 ブラウザの拡張機能として実装され、よりコントロール可能で信頼性の高いWebアシスタントへの一歩である。

関連論文リスト

• ViSAR: Training-Free Adaptive-$k$ Retrieval for Visual Document Question Answering [0.7481381091903384]
  ViSAR (Visual Semantic Activation Retrieval) は、遅延対話型視覚文書検索のためのトレーニング不要適応-$k$の検索方法である。 ViSARはクエリ順応したページ集合を検索し、RAGのレイテンシを最大58.7%削減し、回答の精度を維持または改善する。
  論文  参考訳（メタデータ） (2026-09-02T11:54:58Z)
• Retrieval as Reasoning: Self-Evolving Agent-Native Retrieval via LLM-Wiki [6.956097396264084]
  LLMエージェントは、検索をワンショットのコンテキストフェッチのように振る舞うのではなく、推論のように振る舞う必要がある。 現在、RAG(Retrieval-Augmented Generation)システムは、類似性を埋め込んだフラットチャンクとして外部知識を整理している。 本稿では,外部知識をコンパイル可能,構成可能,自己進化的構造として扱うことにより,検索パラダイムを運用するエージェントネイティブ検索システム LLM-Wiki を提案する。
  論文  参考訳（メタデータ） (2026-05-25T06:36:14Z)
• Deep-Research Agents Can Be Poisoned via User-Generated Content [8.098290223993954]
  ディープリサーチエージェントは、単一の研究セッション中に多くの関連するクエリを発行する。 多くの一般的な検索トピックにおいて、RedditやWikipediaのようなプラットフォームから、同じユーザ生成コンテンツ(UGC)ページを何度も取得していることを示す。 この重なり合いは集中攻撃面を生成する。 我々はこの攻撃を3つの代表的なディープリサーチシステムに対して評価する。
  論文  参考訳（メタデータ） (2026-05-22T21:46:32Z)
• RAG-Enhanced Large Language Models for Dynamic Content Expiration Prediction in Web Search [49.70446150612307]
  商用ウェブ検索では、情報の寿命が非常に多様であるため、コンテンツの鮮度とユーザ意図の整合性は依然として困難である。 伝統的な産業的アプローチは静的なタイムウインドウフィルタリングに依存しており、結果として、コンテンツが時系列的に最新のが意味論的に期限切れになる「ワンサイズフィット」ランキングが作られる。 本フレームワークは,文書から詳細な時間的コンテキストを抽出し,クエリ固有の「妥当性水平線」を導出する。
  論文  参考訳（メタデータ） (2026-05-13T06:20:28Z)
• ReFeed: Retrieval Feedback-Guided Dataset Construction for Style-Aware Query Rewriting [0.4077787659104315]
  検索システムは、ユーザクエリがドメイン文書で使用される言語とスタイリスティックまたは意味的に異なるときに失敗することが多い。 この研究は、データ中心の情報検索における新たな方向性を強調し、フィードバックループとドキュメントスタイルのアライメントがRAGシステムの推論と適応性をいかに高めるかを強調した。
  論文  参考訳（メタデータ） (2026-03-02T03:43:53Z)
• DynaRAG: Bridging Static and Dynamic Knowledge in Retrieval-Augmented Generation [8.036549927091286]
  DynaRAGは、静的情報と時間に敏感な情報の両方を扱うように設計された、検索拡張世代(RAG)フレームワークである。 静的コーパスのみに依存する従来のRAGパイプラインとは異なり、DynaRAGは検索されたドキュメントがクエリに応答するのに不十分な場合に、外部APIを選択的に呼び出す。
  論文  参考訳（メタデータ） (2026-02-24T03:55:07Z)
• Nested Browser-Use Learning for Agentic Information Seeking [60.775556172513014]
  情報検索(IS)エージェントは広範囲にわたる検索タスクで高いパフォーマンスを達成しているが、ツールの使用はAPIレベルのスニペット検索やURLベースのページフェッチに限られている。 我々はNested Browser-Use Learning (NestBrowse)を提案する。NestBrowseは、ネストされた構造を通してページ探索からインタラクション制御を分離する最小かつ完全なブラウザアクションフレームワークである。
  論文  参考訳（メタデータ） (2025-12-29T17:59:14Z)
• SelfRACG: Enabling LLMs to Self-Express and Retrieve for Code Generation [75.03316572094514]
  textbfSelfRACG は,大規模な言語モデル (LLM) がtextbfRACG を強化するために必要な情報を表現できる新しいパラダイムである。 SelfRACGには、情報要求表現モジュールと、2段階の情報要求誘導トレーニング戦略が含まれており、LLMが情報要求を表現することを奨励している。 大規模な実験により、SelfRACGはLLM自身の情報要求によく適合する外部知識を回収できることが示され、バニラRACGよりも優れた世代性能が得られる。
  論文  参考訳（メタデータ） (2025-07-25T07:42:01Z)
• Leveraging LLM-Assisted Query Understanding for Live Retrieval-Augmented Generation [6.62734677678023]
  実世界のライブ検索拡張生成(RAG)システムは、ノイズがありあいまいで、複数の意図を含むユーザクエリを処理する場合、課題に直面します。 本稿では,オープンドメイン環境におけるRAGシステムの堅牢性と有効性向上を目的とした新しいフレームワークであるOmni-RAGを紹介する。
  論文  参考訳（メタデータ） (2025-06-26T15:35:12Z)
• Search Arena: Analyzing Search-Augmented LLMs [61.28673331156436]
  クラウドソーシングで大規模で,24,000以上のペア化されたマルチターンユーザインタラクションの人為的なデータセットであるSearch Arenaを紹介した。 データセットはさまざまな意図や言語にまたがっており、人間の好みの投票数約12,000の完全なシステムトレースが含まれている。 分析の結果,引用されたコンテンツが属性付クレームを直接サポートしていない場合でも,ユーザの嗜好は引用数に影響されていることが明らかとなった。
  論文  参考訳（メタデータ） (2025-06-05T17:59:26Z)
• Improving Retrieval in Sponsored Search by Leveraging Query Context Signals [6.152499434499752]
  本稿では,クエリをリッチなコンテキスト信号で拡張することで,クエリ理解を強化する手法を提案する。 我々は、Web検索のタイトルとスニペットを使って、現実世界の情報にクエリを接地し、GPT-4を使ってクエリの書き直しと説明を生成する。 我々の文脈認識アプローチは文脈自由モデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-07-19T14:28:53Z)
• AutoScraper: A Progressive Understanding Web Agent for Web Scraper Generation [54.17246674188208]
  Webスクレイピングは、Webサイトからデータを抽出し、自動データ収集を可能にし、データ分析機能を強化し、手動のデータ入力作業を最小化する強力なテクニックである。 既存の手法では、ラッパーベースの手法は、新しいウェブサイトで直面する場合、適応性とスケーラビリティの制限に悩まされる。 本稿では,大規模言語モデル(LLM)を用いたWebスクレイパー生成のパラダイムを紹介し,多様なWeb環境をより効率的に処理できる2段階フレームワークであるAutoScraperを提案する。
  論文  参考訳（メタデータ） (2024-04-19T09:59:44Z)
• Backtracing: Retrieving the Cause of the Query [7.715089044732362]
  本稿では,ユーザクエリを最も引き起こす可能性のあるテキストセグメントをシステムで検索する,バックトラシングのタスクを紹介する。 人気情報検索手法と言語モデリング手法のゼロショット性能を評価する。 以上の結果から,後方追跡には改善の余地があり,新たな検索手法が必要であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-06T18:59:02Z)
• 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)
• Query Rewriting for Retrieval-Augmented Large Language Models [139.242907155883]
  大規模言語モデル(LLM)は、検索対象のパイプラインで強力なブラックボックスリーダーを動作させる。 この作業では、検索拡張LDMに対する以前の検索テーマ読み込みの代わりに、新しいフレームワークであるRewrite-Retrieve-Readを導入する。
  論文  参考訳（メタデータ） (2023-05-23T17:27:50Z)
• Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
  InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
  論文  参考訳（メタデータ） (2023-05-12T11:58:15Z)

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。