論文の概要: Taxonomy of the Retrieval System Framework: Pitfalls and Paradigms

• arxiv url: http://arxiv.org/abs/2601.20131v1
• Date: Tue, 27 Jan 2026 23:49:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.70296
• Title: Taxonomy of the Retrieval System Framework: Pitfalls and Paradigms
• Title（参考訳）: 検索システムフレームワークの分類 : 落とし穴とパラダイム
• Authors: Deep Shah, Sanket Badhe, Nehal Kathrotia,
• Abstract要約: 効率と有効性の間のトレードオフを相反する複雑な設計空間をナビゲートする方法について議論する。 ドメイン一般化失敗,語彙盲点,時間的ドリフトによる検索品質の無音劣化に対するアーキテクチャ的緩和について検討した。 これらの制限と設計の選択を分類することにより、現代のニューラルサーチシステムにおける効率効率性フロンティアを最適化するための包括的なフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing an embedding retrieval system requires navigating a complex design space of conflicting trade-offs between efficiency and effectiveness. This work structures these decisions as a vertical traversal of the system design stack. We begin with the Representation Layer by examining how loss functions and architectures, specifically Bi-encoders and Cross-encoders, define semantic relevance and geometric projection. Next, we analyze the Granularity Layer and evaluate how segmentation strategies like Atomic and Hierarchical chunking mitigate information bottlenecks in long-context documents. Moving to the Orchestration Layer, we discuss methods that transcend the single-vector paradigm, including hierarchical retrieval, agentic decomposition, and multi-stage reranking pipelines to resolve capacity limitations. Finally, we address the Robustness Layer by identifying architectural mitigations for domain generalization failures, lexical blind spots, and the silent degradation of retrieval quality due to temporal drift. By categorizing these limitations and design choices, we provide a comprehensive framework for practitioners to optimize the efficiency-effectiveness frontier in modern neural search systems.
• Abstract（参考訳）: 埋め込み検索システムの設計には、効率と有効性の間のトレードオフに矛盾する複雑な設計空間をナビゲートする必要がある。 この作業は、これらの決定をシステム設計スタックの垂直なトラバースとして構成する。 まず、損失関数やアーキテクチャ、特にビエンコーダやクロスエンコーダがどのように意味的関連性や幾何学的プロジェクションを定義するかを調べることで、表現層から始める。 次に、グラニュラリティ・レイヤを分析し、AtomicやHierarchical chunkingのようなセグメンテーション・ストラテジが、ロングコンテキスト文書における情報のボトルネックを緩和する方法について評価する。 オーケストレーションレイヤに移行することで,階層的検索やエージェント分解,複数段階のパイプライン再配置など,単一ベクトルパラダイムを超越してキャパシティ制限を解決する手法について議論する。 最後に、ドメイン一般化失敗、語彙盲点、時間的ドリフトによる検索品質の無音劣化に対するアーキテクチャ的緩和を同定し、ロバストネス層に対処する。 これらの制限と設計の選択を分類することにより、現代のニューラルサーチシステムにおける効率効率性フロンティアを最適化するための包括的なフレームワークを提供する。

関連論文リスト

• Bridging OLAP and RAG: A Multidimensional Approach to the Design of Corpus Partitioning [0.3437656066916039]
  RAGコーパスのための多次元分割の設計を導くための概念的枠組みを提案する。 このフレームワークは階層的なルーティングと制御されたフォールバック戦略を自然にサポートし、不完全なメタデータが存在する場合でも検索が堅牢であることを保証する。
  論文  参考訳（メタデータ） (2026-01-07T09:37:36Z)
• SaraCoder: Orchestrating Semantic and Structural Cues for Resource-Optimized Repository-Level Code Completion [34.41683042851225]
  そこで本研究では,リソース最適化検索拡張手法であるSaraCoderを提案する。 限られたコンテキストウィンドウにおいて、情報の多様性と代表性を最大化する。 我々の研究は、複数の次元にわたる検索結果を体系的に洗練することは、より正確でリソース最適化されたリポジトリレベルのコード補完システムを構築するための新しいパラダイムを提供することを証明している。
  論文  参考訳（メタデータ） (2025-08-13T11:56:05Z)
• HiRA: A Hierarchical Reasoning Framework for Decoupled Planning and Execution in Deep Search [85.12447821237045]
  HiRAは、戦略的な計画と専門的な実行を分離する階層的なフレームワークである。 提案手法では,複雑な探索タスクを集中サブタスクに分解し,各サブタスクを外部ツールと推論機能を備えたドメイン固有エージェントに割り当てる。 4つの複雑なクロスモーダルなディープ・サーチ・ベンチマークの実験により、HiRAは最先端のRAGとエージェント・ベース・システムを大きく上回っていることが示された。
  論文  参考訳（メタデータ） (2025-07-03T14:18:08Z)
• Layer-of-Thoughts Prompting (LoT): Leveraging LLM-Based Retrieval with Constraint Hierarchies [0.3946282433423277]
  Layer-of-Thoughts Prompting (LoT)は、制約階層を使用して、所定のクエリに対する候補応答をフィルタリングし、精査する。 LoTは情報検索タスクの精度と理解性を著しく改善する。
  論文  参考訳（メタデータ） (2024-10-16T01:20:44Z)
• Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation [51.06031200728449]
  我々はmccHRLと呼ばれる新しいフレームワークを提案し、リストワイドレコメンデーションにおける時間的抽象化のレベルを異なるものにする。 階層的な枠組みの中では、ハイレベルエージェントがユーザ知覚の進化を研究し、低レベルエージェントがアイテム選択ポリシーを作成している。 その結果,本手法による性能改善は,いくつかのよく知られたベースラインと比較して有意な結果が得られた。
  論文  参考訳（メタデータ） (2024-09-11T17:01:06Z)
• Contextual Categorization Enhancement through LLMs Latent-Space [0.31263095816232184]
  本稿では,ウィキペディアデータセットのテキストから意味情報を抽出するトランスフォーマーモデルを提案する。 次に、これらのエンコーディングに基づいて異なるアプローチを検討し、カテゴリのセマンティックアイデンティティを評価し、拡張する。
  論文  参考訳（メタデータ） (2024-04-25T09:20:51Z)
• HUMAP: Hierarchical Uniform Manifold Approximation and Projection [40.77787659104315]
  HUMAPは、局所的・大域的構造の保存に柔軟であるように設計された、新しい階層的次元削減技術である。 提案手法の優位性を示す実証的証拠を現在の階層的アプローチと比較し,データセットラベリングにHUMAPを適用したケーススタディを示す。
  論文  参考訳（メタデータ） (2021-06-14T19:27:54Z)
• FactorizeNet: Progressive Depth Factorization for Efficient Network Architecture Exploration Under Quantization Constraints [93.4221402881609]
  量子化制約下での効率的なCNNアーキテクチャ探索のためのプログレッシブ・ディープ・ファクタライズ・ストラテジーを導入する。 アルゴリズムによって深度分解の粒度を漸進的に増大させることで,層状分布の微細で低レベルな解析が可能となる。 このようなプログレッシブな深度分解戦略は、最適深度分解マクロ構造設計の効率的な同定を可能にする。
  論文  参考訳（メタデータ） (2020-11-30T07:12:26Z)

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。