論文の概要: Rethinking Retrieval-Augmented Generation as a Cooperative Decision-Making Problem

• arxiv url: http://arxiv.org/abs/2602.18734v1
• Date: Sat, 21 Feb 2026 06:32:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.271441
• Title: Rethinking Retrieval-Augmented Generation as a Cooperative Decision-Making Problem
• Title（参考訳）: 協調的意思決定問題としての検索強化生成の再考
• Authors: Lichang Song, Ting Long, Yi Chang,
• Abstract要約: Retrieval-Augmented Generation (RAG) は、言語を外的証拠として基礎づけることによって、知識集約的なタスクに強い効果を示した。 我々は、協調的マルチエージェント意思決定問題としてのRAGを再構築し、協調検索強化世代(CoRAG)を提案する。 実験の結果,約10KのPopQAサンプルでモデルがトレーニングされた場合でも,CoRAGの一般化と生成安定性の向上が示された。
• 参考スコア（独自算出の注目度）: 15.007187007351055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) has demonstrated strong effectiveness in knowledge-intensive tasks by grounding language generation in external evidence. Despite its success, many existing RAG systems are built based on a ranking-centric, asymmetric dependency paradigm, where the generation quality of the generator is highly dependent on reranking results of the reranker. To overcome this limitation, we reformulate RAG as a cooperative multi-agent decision-making problem and propose Cooperative Retrieval-Augmented Generation (CoRAG), a framework in which the reranker and the generator act as peer decision-makers rather than being connected through an asymmetric dependency pipeline. By jointly optimizing their behaviors toward a shared task objective, the reranker and generator are encouraged to cooperate, ensuring that document reranking and generation work in concert to improve the final response. Experimental results demonstrate good generalization and improved generation stability of CoRAG, even when the model is trained on only around 10K PopQA samples. Our model released in https://anonymous.4open.science/r/CoRAG-D63F
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、言語生成を外部証拠として基礎づけることによって、知識集約的なタスクに強い効果を示した。 その成功にもかかわらず、既存のRAGシステムはランク中心の非対称依存パラダイムに基づいて構築されており、ジェネレータの生成品質は再ランカの結果に大きく依存している。 この制限を克服するために、RAGを協調的マルチエージェント意思決定問題として再編成し、非対称依存パイプラインを介して接続されるのではなく、リランカとジェネレータがピア意思決定者として機能するフレームワークであるCoRAG(Cooperative Retrieval-Augmented Generation)を提案する。 共有タスク目標に対する行動の最適化を共同で行うことにより、リランカとジェネレータは協力し、文書の更新と生成作業が協調して行われ、最終応答が改善される。 実験の結果,約10KのPopQAサンプルでモデルがトレーニングされた場合でも,CoRAGの一般化と生成安定性の向上が示された。 https://anonymous.4open.science/r/CoRAG-D63Fでリリースした我々のモデル

関連論文リスト

• SIRAG: Towards Stable and Interpretable RAG with A Process-Supervised Multi-Agent Framework [7.37561751991963]
  本稿では,レシーバとジェネレータのギャップを埋めるプロセス管理型マルチエージェントフレームワークを提案する。 提案するフレームワークはモジュール式でプラグアンドプレイで、レトリバーやジェネレータを変更する必要はない。
  論文  参考訳（メタデータ） (2025-09-17T09:09:28Z)
• Joint-GCG: Unified Gradient-Based Poisoning Attacks on Retrieval-Augmented Generation Systems [11.300387488829035]
  Retrieval-Augmented Generation (RAG) システムは、応答を生成する前に、外部コーパスから関連文書を取得することで、Large Language Models (LLM) を強化する。 既存の毒殺攻撃戦略は、検索と生成段階を非結合として扱い、その効果を制限している。 Joint-GCGは、レトリバーモデルとジェネレータモデルの両方にわたる勾配ベースの攻撃を統合する最初のフレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T15:12:06Z)
• Attributing Response to Context: A Jensen-Shannon Divergence Driven Mechanistic Study of Context Attribution in Retrieval-Augmented Generation [52.3707788779464]
  我々は、コンテキストに対する属性応答(ARC-JSD)のための新しいJensen-Shannon Divergence駆動方式を提案する。 ARC-JSDは、追加の微調整、勾配計算、サロゲートモデリングなしで、重要な文脈文の効率的かつ正確な識別を可能にする。 TyDi QA, Hotpot QA, Musique など,様々なスケールの命令調整 LLM を用いたRAG ベンチマークの評価により,精度が向上し,計算効率が向上した。
  論文  参考訳（メタデータ） (2025-05-22T09:04:03Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
  我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。 本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。 我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-24T14:52:14Z)
• DuetRAG: Collaborative Retrieval-Augmented Generation [57.440772556318926]
  協調検索拡張生成フレームワークであるDuetRAGが提案されている。 ブートストラップの哲学はドメインフィニングとRAGモデルを同時に統合することである。
  論文  参考訳（メタデータ） (2024-05-12T09:48:28Z)

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。