Fugu-MT 論文翻訳(概要): Pursuing Best Industrial Practices for Retrieval-Augmented Generation in the Medical Domain

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

arxiv url: http://arxiv.org/abs/2602.03368v2
Date: Thu, 12 Feb 2026 02:31:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-13 14:31:53.372002
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: Liz Li, 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）: 3.060720241524644
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

An Agile Method for Implementing Retrieval Augmented Generation Tools in Industrial SMEs [0.0]
本稿では,産業用中小企業におけるRAGシステムの展開を促進するための構造化アジャイル手法であるEASI-RAGを紹介する。本手法は, 環境試験室における実環境事例研究を通じて検証した。結果は、EASI-RAGが高速な実装、高いユーザ採用、正確な回答の提供、基礎となるデータの信頼性の向上をサポートすることを示した。
論文参考訳（メタデータ） (2025-08-28T17:27:09Z)
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)
A System for Comprehensive Assessment of RAG Frameworks [0.0]
Retrieval Augmented Generation(RAG)は,大規模言語モデル(LLM)の現実的正確性と文脈的関連性を高めるための標準パラダイムとして登場した。既存の評価フレームワークは、RAGシステムを評価するための全体的なブラックボックスアプローチを提供していない。デプロイされたRAGアプリケーションをシステマティックにベンチマークするために設計された,モジュール化されたフレキシブルな評価フレームワークであるSCARFを紹介する。
論文参考訳（メタデータ） (2025-04-10T14:41:34Z)
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)
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)
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)
RAGChecker: A Fine-grained Framework for Diagnosing Retrieval-Augmented Generation [61.14660526363607]
本稿では,検索モジュールと生成モジュールの両方に対して,一連の診断指標を組み込んだ詳細な評価フレームワークであるRAGCheckerを提案する。 RAGCheckerは、他の評価指標よりも、人間の判断との相関が著しく優れている。 RAGCheckerのメトリクスは、より効果的なRAGシステムの開発において研究者や実践者を導くことができる。
論文参考訳（メタデータ） (2024-08-15T10:20:54Z)
Iterative Utility Judgment Framework via LLMs Inspired by Relevance in Philosophy [66.95501113584541]
ITEM(Iterative utiliTy judgm fraEntMework)を提案する。 RAGの3つの中核的構成要素は、検索モデル、ユーティリティ判断、回答生成から導かれる関連性ランキングであり、シューツの哲学的関連性体系と一致している。実効性判定, ランキング, 回答生成におけるITEMの顕著な改善が, 代表ベースラインに基づいて示された。
論文参考訳（メタデータ） (2024-06-17T07:52:42Z)
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。