論文の概要: DynaRAG: Bridging Static and Dynamic Knowledge in Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2603.18012v1
• Date: Tue, 24 Feb 2026 03:55:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.385459
• Title: DynaRAG: Bridging Static and Dynamic Knowledge in Retrieval-Augmented Generation
• Title（参考訳）: DynaRAG:Retrieval-Augmented Generationにおける静的および動的知識のブリッジ
• Authors: Penghao Liang, Mengwei Yuan, Jianan Liu, Jing Yang, Xianyou Li, Weiran Yan, Yichao Wu,
• Abstract要約: DynaRAGは、静的情報と時間に敏感な情報の両方を扱うように設計された、検索拡張世代(RAG)フレームワークである。 静的コーパスのみに依存する従来のRAGパイプラインとは異なり、DynaRAGは検索されたドキュメントがクエリに応答するのに不十分な場合に、外部APIを選択的に呼び出す。
• 参考スコア（独自算出の注目度）: 8.036549927091286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present DynaRAG, a retrieval-augmented generation (RAG) framework designed to handle both static and time-sensitive information needs through dynamic knowledge integration. Unlike traditional RAG pipelines that rely solely on static corpora, DynaRAG selectively invokes external APIs when retrieved documents are insufficient for answering a query. The system employs an LLM-based reranker to assess document relevance, a sufficiency classifier to determine when fallback is necessary, and Gorilla v2 -- a state-of-the-art API calling model -- for accurate tool invocation. We further enhance robustness by incorporating schema filtering via FAISS to guide API selection. Evaluations on the CRAG benchmark demonstrate that DynaRAG significantly improves accuracy on dynamic questions, while also reducing hallucinations. Our results highlight the importance of dynamic-aware routing and selective tool use in building reliable, real-world question-answering systems.
• Abstract（参考訳）: 動的知識統合による静的情報と時間感受性情報の両方を扱うために設計された検索拡張生成(RAG)フレームワークであるDynaRAGを提案する。 静的コーパスのみに依存する従来のRAGパイプラインとは異なり、DynaRAGは検索されたドキュメントがクエリに応答するのに不十分な場合に、外部APIを選択的に呼び出す。 このシステムは、ドキュメントの関連性を評価するためにLLMベースのリランカ、フォールバックが必要なタイミングを判断する十分な分類器、そしてツールの正確な呼び出しに最先端のAPI呼び出しモデルであるGorilla v2を使用している。 APIの選択をガイドするためにFAISS経由でスキーマフィルタリングを導入することで、ロバスト性をさらに強化する。 CRAGベンチマークによる評価では、DynaRAGは幻覚を低減しつつ、動的質問の精度を大幅に向上することが示された。 本結果は,信頼性の高い質問応答システムを構築する上で,動的アウェアルーティングと選択ツールの利用の重要性を強調した。

関連論文リスト

• LAD-RAG: Layout-aware Dynamic RAG for Visually-Rich Document Understanding [37.12229829548839]
  レイアウト対応動的RAGフレームワークであるLAD-RAGを提案する。 LAD-RAGは、レイアウト構造とページ間の依存関係をキャプチャするシンボリック文書グラフを構築する。 MMLongBench-Doc、LongDocURL、DUDE、MP-DocVQAの実験は、LAD-RAGが検索を改善し、トップkチューニングなしで平均90%以上の完全リコールを達成することを示した。
  論文  参考訳（メタデータ） (2025-10-08T17:02:04Z)
• Online-Optimized RAG for Tool Use and Function Calling [10.294181998196555]
  検索拡張生成(RAG)は、事前に指定されたツール/機能記述にユーザクエリを埋め込むことで、ツールの使用と関数呼び出しを駆動する。 Online-d RAGは、最小限のフィードバックを使用して、ライブインタラクションからの検索埋め込みに適応する。
  論文  参考訳（メタデータ） (2025-09-24T09:08:46Z)
• TURA: Tool-Augmented Unified Retrieval Agent for AI Search [18.427511565701394]
  従来のRAGアプローチは、リアルタイムのニーズと構造化クエリに苦労する。 本稿では,静的コンテンツと動的リアルタイム情報の両方にアクセスするために,RAGとエージェントツールを併用した新しい3段階フレームワークTURAを紹介する。
  論文  参考訳（メタデータ） (2025-08-06T16:24:17Z)
• Leveraging LLM-Assisted Query Understanding for Live Retrieval-Augmented Generation [6.62734677678023]
  実世界のライブ検索拡張生成(RAG)システムは、ノイズがありあいまいで、複数の意図を含むユーザクエリを処理する場合、課題に直面します。 本稿では,オープンドメイン環境におけるRAGシステムの堅牢性と有効性向上を目的とした新しいフレームワークであるOmni-RAGを紹介する。
  論文  参考訳（メタデータ） (2025-06-26T15:35:12Z)
• ImpRAG: Retrieval-Augmented Generation with Implicit Queries [34.72864597562907]
  ImpRAGは、検索と生成を統一モデルに統合するクエリフリーなRAGシステムである。 我々は、ImpRAGが、多様な形式を持つ未確認タスクの正確なマッチスコアを3.6-11.5改善したことを示す。
  論文  参考訳（メタデータ） (2025-06-02T21:38:21Z)
• DynamicRAG: Leveraging Outputs of Large Language Model as Feedback for Dynamic Reranking in Retrieval-Augmented Generation [23.060355911225923]
  リランカは、生成品質と説明可能性を高めるために、検索した文書の精錬において重要な役割を果たす。 本稿では,リランカが検索した文書の順序と数の両方を動的に調整する新しいRAGフレームワークであるDynamicRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-12T05:19:01Z)
• 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)
• 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)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)

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。