論文の概要: Bridge-RAG: An Abstract Bridge Tree Based Retrieval Augmented Generation Algorithm With Cuckoo Filter

• arxiv url: http://arxiv.org/abs/2603.26668v1
• Date: Mon, 12 Jan 2026 03:18:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.049001
• Title: Bridge-RAG: An Abstract Bridge Tree Based Retrieval Augmented Generation Algorithm With Cuckoo Filter
• Title（参考訳）: Bridge-RAG:Cuckooフィルタを用いた抽象ブリッジツリーを用いた検索拡張生成アルゴリズム
• Authors: Zihang Li, Wenjun Liu, Yikun Zong, Jiawen Tao, Siying Dai, Songcheng Ren, Zirui Liu, Yanbing Jiang, Tong Yang,
• Abstract要約: Retrieval-augmented Generation (RAG) は、検索精度と計算効率の2つの課題に直面している。 本稿では,Bridge-RAGと呼ばれる新しいRAGフレームワークを提案する。 Bridge-RAGは15.65%の精度向上を実現し、他のRAGフレームワークと比較して10倍から500倍の検索時間を短縮する。
• 参考スコア（独自算出の注目度）: 9.314886452445245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As an important paradigm for enhancing the generation quality of Large Language Models (LLMs), retrieval-augmented generation (RAG) faces the two challenges regarding retrieval accuracy and computational efficiency. This paper presents a novel RAG framework called Bridge-RAG. To overcome the accuracy challenge, we introduce the concept of abstract to bridge query entities and document chunks, providing robust semantic understanding. We organize the abstracts into a tree structure and design a multi-level retrieval strategy to ensure the inclusion of sufficient contextual information. To overcome the efficiency challenge, we introduce the improved Cuckoo Filter, an efficient data structure supporting rapid membership queries and updates, to accelerate entity location during the retrieval process. We design a block linked list structure and an entity temperature-based sorting mechanism to improve efficiency from the aspects of spatial and temporal locality. Extensive experiments show that Bridge-RAG achieves around 15.65% accuracy improvement and reduces 10x to 500x retrieval time compared to other RAG frameworks.
• Abstract（参考訳）: 大規模言語モデル(LLM)の生成品質向上のための重要なパラダイムとして、検索精度と計算効率に関する2つの課題に直面する。 本稿では,Bridge-RAGと呼ばれる新しいRAGフレームワークを提案する。 精度の課題を克服するために,クエリエンティティとドキュメントチャンクをブリッジする抽象概念を導入し,堅牢なセマンティック理解を提供する。 我々は,抽象概念を木構造に整理し,十分な文脈情報を含むことを保証するため,多段階検索戦略を設計する。 この効率の課題を克服するために、高速なメンバシップクエリと更新をサポートする効率的なデータ構造であるCuckoo Filterを導入し、検索プロセス中のエンティティ位置を高速化する。 ブロックリンクリスト構造とエンティティ温度に基づくソート機構を設計し,空間的および時間的局所性の観点から効率を向上する。 大規模な実験により、Bridge-RAGは15.65%の精度向上を実現し、他のRAGフレームワークと比較して10倍から500倍の検索時間を短縮した。

関連論文リスト

• Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
  Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。 我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。 本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
  論文  参考訳（メタデータ） (2026-03-09T18:20:20Z)
• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• LevelRAG: Enhancing Retrieval-Augmented Generation with Multi-hop Logic Planning over Rewriting Augmented Searchers [24.01783076521377]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を緩和するための重要な方法である 既存のRAGメソッドは通常、検索範囲を広げるためにハイブリッド検索を使用しながら、ユーザ意図を明確にし、マルチホップロジックを管理するためにクエリ書き換えを使用する。 本稿では,複雑なクエリをアトミックなクエリに分解する高レベル検索手法を提案する。 高精度なキーワード検索にスパース検索の長所を利用するために,Lucene構文を用いて検索精度を向上させるスパース検索手法を開発した。
  論文  参考訳（メタデータ） (2025-02-25T12:09:16Z)
• CFT-RAG: An Entity Tree Based Retrieval Augmented Generation Algorithm With Cuckoo Filter [17.35450828013772]
  本稿では,改良型Cuckooフィルタに基づくTree-RAG加速度法を提案する。 Tree-RAGは階層木構造を導入してエンティティを効果的に整理する。 本手法は, 高い生成品質を維持しながら, ナイーブツリーRAGよりもはるかに高速である。
  論文  参考訳（メタデータ） (2025-01-25T06:09:02Z)
• 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)
• 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。