論文の概要: RMIT-ADM+S at the MMU-RAG NeurIPS 2025 Competition

• arxiv url: http://arxiv.org/abs/2602.20735v1
• Date: Tue, 24 Feb 2026 09:58:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.708187
• Title: RMIT-ADM+S at the MMU-RAG NeurIPS 2025 Competition
• Title（参考訳）: MMU-RAG NeurIPS 2025コンペティションにおけるRMIT-ADM+S
• Authors: Kun Ran, Marwah Alaofi, Danula Hettiachchi, Chenglong Ma, Khoi Nguyen Dinh Anh, Khoi Vo Nguyen, Sachin Pathiyan Cherumanal, Lida Rashidi, Falk Scholer, Damiano Spina, Shuoqi Sun, Oleg Zendel,
• Abstract要約: 本稿では,NeurIPS2025 MMU-RAGコンペティションのテキスト・トゥ・テキスト・トラックに対するRMIT-ADM+Sシステムについて述べる。 本稿では,軽量コンポーネントからなるRAGアーキテクチャであるRouting-to-RAG(R2RAG)を紹介する。
• 参考スコア（独自算出の注目度）: 12.226865376826678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents the award-winning RMIT-ADM+S system for the Text-to-Text track of the NeurIPS~2025 MMU-RAG Competition. We introduce Routing-to-RAG (R2RAG), a research-focused retrieval-augmented generation (RAG) architecture composed of lightweight components that dynamically adapt the retrieval strategy based on inferred query complexity and evidence sufficiency. The system uses smaller LLMs, enabling operation on a single consumer-grade GPU while supporting complex research tasks. It builds on the G-RAG system, winner of the ACM~SIGIR~2025 LiveRAG Challenge, and extends it with modules informed by qualitative review of outputs. R2RAG won the Best Dynamic Evaluation award in the Open Source category, demonstrating high effectiveness with careful design and efficient use of resources.
• Abstract（参考訳）: 本稿では,NeurIPS~2025 MMU-RAGコンペティションのテキスト・トゥ・テキスト・トラックに対するRMIT-ADM+Sシステムについて述べる。 本稿では,Routing-to-RAG(R2RAG)を提案する。Routing-to-RAG(R2RAG)アーキテクチャは軽量なコンポーネントで構成され,クエリの複雑さとエビデンス十分性に基づいて,検索戦略を動的に適応させる。 このシステムはより小さなLLMを使用しており、複雑な研究タスクをサポートしながら、単一のコンシューマグレードのGPU上での操作を可能にする。 これはACM〜SIGIR~2025 LiveRAG Challengeの勝者であるG-RAGシステムに基づいて構築され、出力の質的なレビューによって情報を得たモジュールで拡張されている。 R2RAGはオープンソースカテゴリで最高の動的評価賞を受賞し、慎重に設計し、リソースを効率的に利用することで高い有効性を示した。

関連論文リスト

• RMIT-ADM+S at the SIGIR 2025 LiveRAG Challenge [4.364909807482374]
  本稿では,SIGIR 2025 LiveRAG ChallengeにおけるRMIT--ADM+S入賞システムについて述べる。 我々のG-RAG(Generation-Retrieval-Augmented Generation)アプローチは、元の質問とともに、検索フェーズで使用される仮説的な回答を生成する。 G-RAGはまた、最終回答生成の前に、ポイントワイドな大規模言語モデル(LLM)ベースの再ランクステップも組み込んでいる。
  論文  参考訳（メタデータ） (2025-06-17T13:41:12Z)
• CIIR@LiveRAG 2025: Optimizing Multi-Agent Retrieval Augmented Generation through Self-Training [18.787703082459046]
  mRAGは、計画、探索、推論、調整などのサブタスクに特化したエージェントで構成されるマルチエージェント検索拡張生成フレームワークである。 SIGIR 2025 LiveRAGコンペティションでDataMorgana由来のデータセットを評価すると、mRAGは従来のRAGベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-12T16:02:29Z)
• HiPerRAG: High-Performance Retrieval Augmented Generation for Scientific Insights [72.82973609312178]
  HiPerRAGは360万以上の科学論文から知識をインデクシングし取り出すワークフローである。 コアとなるのはマルチモーダル文書解析のための高スループットモデルであるOreoと、クエリ対応エンコーダの微調整アルゴリズムであるColTrastだ。 HiPerRAGは、既存の科学的質問応答ベンチマークと、この研究で導入された2つの新しいベンチマークで堅牢なパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2025-05-07T22:50:23Z)
• MCTS-RAG: Enhancing Retrieval-Augmented Generation with Monte Carlo Tree Search [61.11836311160951]
  本稿では,知識集約型タスクにおける小言語モデルの推論能力を高める新しいアプローチであるMCTS-RAGを紹介する。 通常、推論から独立して情報を取得する標準的なRAG法とは異なり、MCTS-RAGは構造化推論と適応的検索を組み合わせる。 この統合されたアプローチは意思決定を強化し、幻覚を減らし、事実の正確性と応答の整合性を向上させる。
  論文  参考訳（メタデータ） (2025-03-26T17:46:08Z)
• MES-RAG: Bringing Multi-modal, Entity-Storage, and Secure Enhancements to RAG [65.0423152595537]
  本稿では,エンティティ固有のクエリ処理を強化し,正確でセキュアで一貫した応答を提供するMES-RAGを提案する。 MES-RAGは、データアクセスの前に保護を適用してシステムの整合性を確保するための積極的なセキュリティ対策を導入している。 実験の結果,MES-RAGは精度とリコールの両方を著しく改善し,質問応答の安全性と有用性を向上する効果が示された。
  論文  参考訳（メタデータ） (2025-03-17T08:09:42Z)
• 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)
• MiniRAG: Towards Extremely Simple Retrieval-Augmented Generation [22.512017529583332]
  MiniRAG(ミニラグ)は、極端に単純で効率的に設計された新規なレトリーバル拡張世代(RAG)システムである。 MiniRAGは,(1)テキストチャンクと名前付きエンティティを統一構造に結合し,複雑な意味理解への依存を軽減し,(2)高度な言語能力を必要としない効率的な知識発見のためにグラフ構造を利用する軽量なトポロジ強化検索手法を提案する。
  論文  参考訳（メタデータ） (2025-01-12T04:44:06Z)
• FlashRAG: A Modular Toolkit for Efficient Retrieval-Augmented Generation Research [70.6584488911715]
  検索増強世代(RAG)は、かなりの研究関心を集めている。 既存のRAGツールキットは、しばしば重くて柔軟であり、研究者のカスタマイズのニーズを満たすことができない。 我々のツールキットは16の高度なRAGメソッドを実装し、38のベンチマークデータセットを収集し、整理した。
  論文  参考訳（メタデータ） (2024-05-22T12:12:40Z)

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。