論文の概要: ReBOL: Retrieval via Bayesian Optimization with Batched LLM Relevance Observations and Query Reformulation

• arxiv url: http://arxiv.org/abs/2603.20513v1
• Date: Fri, 20 Mar 2026 21:30:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.946033
• Title: ReBOL: Retrieval via Bayesian Optimization with Batched LLM Relevance Observations and Query Reformulation
• Title（参考訳）: ReBOL: Batched LLM Relevance Observations and Query Reformulationによるベイズ最適化による検索
• Authors: Anton Korikov, Scott Sanner,
• Abstract要約: 本稿では,LLMクエリ文書関連スコアの文書バッチを反復的に取得するReBOLについて紹介する。 例えば、ロバスト04データセットでは、46.5%対35.0%のリコール@100、63.6%対61.2%のNDCG@10である。
• 参考スコア（独自算出の注目度）: 26.465397317019107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-reranking is limited by the top-k documents retrieved by vector similarity, which neither enables contextual query-document token interactions nor captures multimodal relevance distributions. While LLM query reformulation attempts to improve recall by generating improved or additional queries, it is still followed by vector similarity retrieval. We thus propose to address these top-k retrieval stage failures by introducing ReBOL, which 1) uses LLM query reformulations to initialize a multimodal Bayesian Optimization (BO) posterior over document relevance, and 2) iteratively acquires document batches for LLM query-document relevance scoring followed by posterior updates to optimize relevance. After exploring query reformulation and document batch diversification techniques, we evaluate ReBOL against LLM reranker baselines on five BEIR datasets and using two LLMs (Gemini-2.5-Flash-Lite, GPT-5.2). ReBOL consistently achieves higher recall and competitive rankings, for example compared to the best LLM reranker on the Robust04 dataset with 46.5% vs. 35.0% recall@100 and 63.6% vs. 61.2% NDCG@10. We also show that ReBOL can achieve comparable latency to LLM rerankers.
• Abstract（参考訳）: LLM-re rankは、ベクトル類似性によって検索されるトップkドキュメントによって制限される。 LLMクエリのリコールは、改善または追加のクエリを生成してリコールを改善するが、それでもベクトル類似性検索が続く。 そこで我々は,これらトップk検索ステージ障害にReBOLを導入して対処することを提案する。 1) 文書関連性に対するマルチモーダルベイズ最適化(BO)を初期化するために LLM クエリの改定を利用する。 2) LLMクエリ文書関連度スコアの文書バッチを反復的に取得し, その後の更新で関連度を最適化する。 5つのBEIRデータセットと2つのLLM(Gemini-2.5-Flash-Lite, GPT-5.2)を用いて、クエリ再構成と文書バッチの多様化手法を検討した。 例えば、ロバスト04データセットでは、46.5%対35.0%のリコール@100、63.6%対61.2%のNDCG@10である。 また、ReBOLはLLMリランカに匹敵するレイテンシを実現することができることを示す。

関連論文リスト

• DiffuRank: Effective Document Reranking with Diffusion Language Models [71.16830004674513]
  拡散言語モデル(dLLM)に基づいて構築されたフレームワークであるDiffuRankを提案する。 dLLMは、左から右への順序に制約されないより柔軟なデコーディングと生成プロセスをサポートする。 モデルサイズが類似した自己回帰LDMに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2026-02-13T02:18:14Z)
• Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
  本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。 そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
  論文  参考訳（メタデータ） (2025-10-20T04:16:28Z)
• ExpandR: Teaching Dense Retrievers Beyond Queries with LLM Guidance [21.777817032607405]
  大規模言語モデル(LLM)は、クエリ拡張による高密度検索の強化に有意な可能性を証明している。 本研究では,LLM拡張高密度検索フレームワークExpandRを提案する。 複数のベンチマーク実験の結果、ExpandRは強いベースラインを一貫して上回ることがわかった。
  論文  参考訳（メタデータ） (2025-02-24T11:15:41Z)
• Guiding Retrieval using LLM-based Listwise Rankers [15.3583908068962]
  本稿では,リストワイズ設定をサポートする既存適応検索手法の適応性を提案する。 具体的には、提案アルゴリズムは、初期ランキングとフィードバック文書の両方から結果をマージする。 我々は,適応プロセスの最小化によるLLM推論の総数とオーバーヘッドを一定に保ちながら,nDCG@10を最大13.23%改善し,28.02%リコールできることを示した。
  論文  参考訳（メタデータ） (2025-01-15T22:23:53Z)
• Grounding by Trying: LLMs with Reinforcement Learning-Enhanced Retrieval [55.63711219190506]
  大きな言語モデル(LLM)は、しばしば適切な検索クエリのポーズに苦労する。 私たちは$underlineLe$arningを$underlineRe$trieveに$underlineT$rying (LeReT)を導入します。 LeReTは、絶対精度を最大29%向上し、下流ジェネレータの評価を17%向上させることができる。
  論文  参考訳（メタデータ） (2024-10-30T17:02:54Z)
• Optimizing LLM Queries in Relational Data Analytics Workloads [50.95919232839785]
  バッチデータ分析は、Large Language Models(LLMs)の急成長するアプリケーションである LLMは、分類、エンティティ抽出、翻訳などの幅広い自然言語タスクを、大規模なデータセット上で実行可能にする。 本稿では,LLMコールによるリレーショナルデータ解析処理のコストを大幅に削減できる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-03-09T07:01:44Z)
• LLatrieval: LLM-Verified Retrieval for Verifiable Generation [67.93134176912477]
  検証可能な生成は、大きな言語モデル(LLM)がドキュメントをサポートするテキストを生成することを目的としている。 本稿では,LLatrieval (Large Language Model Verified Retrieval)を提案する。 実験により、LLatrievalは幅広いベースラインを著しく上回り、最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2023-11-14T01:38:02Z)

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。