論文の概要: Open-Source Reproduction and Explainability Analysis of Corrective Retrieval Augmented Generation

• arxiv url: http://arxiv.org/abs/2603.16169v1
• Date: Tue, 17 Mar 2026 06:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.134814
• Title: Open-Source Reproduction and Explainability Analysis of Corrective Retrieval Augmented Generation
• Title（参考訳）: 補正検索拡張ジェネレーションのオープンソース再生と説明可能性解析
• Abstract要約: CRAG(Corrective Retrieval Augmented Generation)の完全オープンソース版について紹介する。 CRAGは、取得した文書の品質を評価し、修正アクションをトリガーすることにより、RAGシステムの堅牢性を向上させる。 プロプライエタリなWeb検索をWikipedia APIとオリジナルのLLaMA-2ジェネレータで置き換え,Phi-3-mini-4k-インストラクトで置き換える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Corrective Retrieval Augmented Generation (CRAG) improves the robustness of RAG systems by evaluating retrieved document quality and triggering corrective actions. However, the original implementation relies on proprietary components including the Google Search API and closed model weights, limiting reproducibility. In this work, we present a fully open-source reproduction of CRAG, replacing proprietary web search with the Wikipedia API and the original LLaMA-2 generator with Phi-3-mini-4k-instruct. We evaluate on PopQA and ARC-Challenge, demonstrating that our open-source pipeline achieves comparable performance to the original system. Furthermore, we contribute the first explainability analysis of CRAG's T5-based retrieval evaluator using SHAP, revealing that the evaluator primarily relies on named entity alignment rather than semantic similarity. Our analysis identifies key failure modes including domain transfer limitations on science questions. All code and results are available at https://github.com/suryayalavarthi/crag-reproduction.
• Abstract（参考訳）: CRAG(Corrective Retrieval Augmented Generation)は、検索した文書の品質を評価し、修正動作を引き起こすことにより、RAGシステムの堅牢性を向上させる。 しかし、オリジナルの実装はGoogle Search APIやクローズドモデルウェイトなどプロプライエタリなコンポーネントに依存しており、再現性を制限している。 本研究では,プロプライエタリなWeb検索をウィキペディアAPIと,Phi-3-mini-4k-インストラクタでオリジナルのLLaMA-2ジェネレータに置き換えたCRAGの完全なオープンソース複製を提案する。 我々はPopQAとARC-Challengeを評価し、私たちのオープンソースのパイプラインが元のシステムに匹敵する性能を達成することを実証した。 さらに,CRAG の T5 に基づく検索評価器 SHAP を用いた最初の説明可能性解析を行い,この評価器は意味的類似性よりも名前付きエンティティアライメントに依存していることを明らかにした。 本分析では,科学的問題に対するドメイン転送制限を含む重要な障害モードを同定する。 すべてのコードと結果はhttps://github.com/suryayalavarthi/crag-reproduction.comで公開されている。

関連論文リスト

• Source-Aware Reranking for Retrieval-Augmented Generation: A Reliability Prior Approach [0.0]
  本研究は,RAG検索ランキングの簡易かつ解釈可能な変更について評価する。 このフレームワークは120文書の健康ドメインコーパスの類似性のみのベースラインに対して評価される。 source-aware re ranking は Precision@5 を 0.48 から 0.72 に改善し、平均敵対的なドキュメント検索を減らす。
  論文  参考訳（メタデータ） (2026-06-08T14:09:04Z)
• RAGVUE: A Diagnostic View for Explainable and Automated Evaluation of Retrieval-Augmented Generation [1.564663326217051]
  RAGVUEはRetrieval-Augmented Generation (RAG)システムを評価するためのフレームワークである。 RAGの振る舞いを検索品質、回答の妥当性と完全性、厳格なクレームレベルの忠実さ、および判断の校正に分解する。 RAGVUEは手動のメートル法選択と完全に自動化されたエージェント評価の両方をサポートしている。
  論文  参考訳（メタデータ） (2025-12-03T07:42:49Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• HiChunk: Evaluating and Enhancing Retrieval-Augmented Generation with Hierarchical Chunking [23.982187522815536]
  HiChunkは、微調整 LLM と Auto-Merge 検索アルゴリズムに基づくマルチレベル文書構造化フレームワークである。 HiChunkは適切な時間消費でより優れたチャンキング品質を実現し、RAGシステム全体の性能を向上させる。
  論文  参考訳（メタデータ） (2025-09-15T03:32:50Z)
• SelfAug: Mitigating Catastrophic Forgetting in Retrieval-Augmented Generation via Distribution Self-Alignment [49.86376148975563]
  大規模言語モデル(LLM)は、様々なタスクを理解し実行する能力を通じて自然言語処理に革命をもたらした。 教師付き微調整、特にRetrieval-Augmented Generation (RAG)のシナリオでは、しばしば破滅的な忘れが生じる。 本稿では,モデルのセマンティック分布を保存するために,入力シーケンスロジットをアライメントする自己分布アライメント手法であるSelfAugを提案する。
  論文  参考訳（メタデータ） (2025-09-04T06:50:47Z)
• 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)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• 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)
• SiReRAG: Indexing Similar and Related Information for Multihop Reasoning [96.60045548116584]
  SiReRAGは、類似情報と関連する情報の両方を明示的に考慮する新しいRAGインデックス方式である。 SiReRAGは、3つのマルチホップデータセットの最先端インデックス手法を一貫して上回る。
  論文  参考訳（メタデータ） (2024-12-09T04:56:43Z)
• RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
  本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。 事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。 実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
  論文  参考訳（メタデータ） (2024-08-02T13:35:11Z)
• RQ-RAG: Learning to Refine Queries for Retrieval Augmented Generation [42.82192656794179]
  大きな言語モデル(LLM)は優れた能力を示すが、不正確なあるいは幻覚反応を引き起こす傾向がある。 この制限は、膨大な事前トレーニングデータセットに依存することに起因するため、目に見えないシナリオでのエラーの影響を受けやすい。 Retrieval-Augmented Generation (RAG) は、外部の関連文書を応答生成プロセスに組み込むことによって、この問題に対処する。
  論文  参考訳（メタデータ） (2024-03-31T08:58:54Z)
• Corrective Retrieval Augmented Generation [36.04062963574603]
  Retrieval-augmented Generation (RAG) は、検索された文書の関連性に大きく依存しており、検索が失敗した場合のモデルがどのように振る舞うかについての懸念を提起する。 生成の堅牢性を改善するために,CRAG(Corrective Retrieval Augmented Generation)を提案する。 CRAGはプラグアンドプレイであり、様々なRAGベースのアプローチとシームレスに結合できる。
  論文  参考訳（メタデータ） (2024-01-29T04:36:39Z)

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。