論文の概要: Pursuing Best Industrial Practices for Retrieval-Augmented Generation in the Medical Domain

• arxiv url: http://arxiv.org/abs/2602.03368v1
• Date: Tue, 03 Feb 2026 10:37:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.395242
• Title: Pursuing Best Industrial Practices for Retrieval-Augmented Generation in the Medical Domain
• Title（参考訳）: 医科領域における再生型世代のためのベストな産業実践の育成
• Authors: Wei Zhu,
• Abstract要約: 大規模言語モデル(LLM)に基づく産業アプリケーションにおいて,検索拡張生成(RAG)が急速に採用されている コンポーネントの編成方法、産業アプリケーション、特に医療領域における各コンポーネントの実装方法については、RAGシステム構築のベストプラクティスについて合意はありません。
• 参考スコア（独自算出の注目度）: 3.615835506868351
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While retrieval augmented generation (RAG) has been swiftly adopted in industrial applications based on large language models (LLMs), there is no consensus on what are the best practices for building a RAG system in terms of what are the components, how to organize these components and how to implement each component for the industrial applications, especially in the medical domain. In this work, we first carefully analyze each component of the RAG system and propose practical alternatives for each component. Then, we conduct systematic evaluations on three types of tasks, revealing the best practices for improving the RAG system and how LLM-based RAG systems make trade-offs between performance and efficiency.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づく産業アプリケーションでは,RAGが急速に採用されているが,RAGシステムを構築する上でのベストプラクティス,コンポーネントの編成方法,産業アプリケーション,特に医療領域における各コンポーネントの実装方法については,合意が得られていない。 本稿ではまず,RAGシステムの各コンポーネントを慎重に分析し,各コンポーネントに対して実用的な代替案を提案する。 次に,3種類のタスクを体系的に評価し,RAGシステムを改善するためのベストプラクティスと,LCMベースのRAGシステムが性能と効率のトレードオフをいかに行うかを明らかにする。

関連論文リスト

• Can LLMs Be Trusted for Evaluating RAG Systems? A Survey of Methods and Datasets [0.0]
  近年,RAG(Retrieval-Augmented Generation)が著しく進歩している。 RAGの複雑さは、体系的な評価と品質向上に重大な課題をもたらす。 本研究は,63の学術論文を体系的にレビューし,最新のRAG評価手法を概観する。
  論文  参考訳（メタデータ） (2025-04-28T08:22:19Z)
• Improving Retrieval-Augmented Generation through Multi-Agent Reinforcement Learning [88.55095746156428]
  Retrieval-augmented Generation (RAG) は、外部知識を大規模言語モデルに組み込むために広く利用されている。 標準的なRAGパイプラインは、クエリ書き換え、文書検索、文書フィルタリング、回答生成など、いくつかのコンポーネントで構成されている。 本稿では,複数コンポーネントからなる複雑なRAGパイプラインを多エージェント協調作業として扱うことを提案する。
  論文  参考訳（メタデータ） (2025-01-25T14:24:50Z)
• XRAG: eXamining the Core -- Benchmarking Foundational Components in Advanced Retrieval-Augmented Generation [36.84847781022757]
  Retrieval-augmented Generation (RAG) は、Large Language Models (LLMs) の生成能力と関連するデータの検索を相乗化する 我々は,高度なRAGモジュールの基本コンポーネントの性能を徹底的に評価する,オープンソースのモジュールであるXRAGを紹介する。
  論文  参考訳（メタデータ） (2024-12-20T03:37:07Z)
• Comprehensive and Practical Evaluation of Retrieval-Augmented Generation Systems for Medical Question Answering [70.44269982045415]
  Retrieval-augmented Generation (RAG) は,大規模言語モデル (LLM) の性能向上のための有望なアプローチとして登場した。 医療用QAデータセットに様々な補助的要素を提供するMedRGB(MedRGB)を導入する。 実験結果から,検索した文書のノイズや誤情報の処理能力に限界があることが判明した。
  論文  参考訳（メタデータ） (2024-11-14T06:19:18Z)
• CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of Large Language Models [49.16989035566899]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の能力を高める技術である。 本稿では,大規模かつ包括的なベンチマークを構築し,様々なRAGアプリケーションシナリオにおけるRAGシステムのすべてのコンポーネントを評価する。
  論文  参考訳（メタデータ） (2024-01-30T14:25:32Z)

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。