論文の概要: Beyond the Parameters: A Technical Survey of Contextual Enrichment in Large Language Models: From In-Context Prompting to Causal Retrieval-Augmented Generation
- arxiv url: http://arxiv.org/abs/2604.03174v1
- Date: Fri, 03 Apr 2026 16:49:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.539053
- Title: Beyond the Parameters: A Technical Survey of Contextual Enrichment in Large Language Models: From In-Context Prompting to Causal Retrieval-Augmented Generation
- Title（参考訳）: パラメータを超えて:大規模言語モデルにおける文脈エンリッチメントに関する技術調査:インコンテキストプロンプトから因果関係強化生成へ
- Authors: Prakhar Bansal, Shivangi Agarwal,
- Abstract要約: 大規模言語モデルは、そのパラメータにおける広大な世界の知識を符号化するが、静的知識、有限コンテキストウィンドウ、弱い構造を持つ因果推論によって、基本的に制限されている。
この調査は、単一の軸に沿った拡張戦略の統一的な説明を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Large language models (LLMs) encode vast world knowledge in their parameters, yet they remain fundamentally limited by static knowledge, finite context windows, and weakly structured causal reasoning. This survey provides a unified account of augmentation strategies along a single axis: the degree of structured context supplied at inference time. We cover in-context learning and prompt engineering, Retrieval-Augmented Generation (RAG), GraphRAG, and CausalRAG. Beyond conceptual comparison, we provide a transparent literature-screening protocol, a claim-audit framework, and a structured cross-paper evidence synthesis that distinguishes higher-confidence findings from emerging results. The paper concludes with a deployment-oriented decision framework and concrete research priorities for trustworthy retrieval-augmented NLP.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、そのパラメータにおける膨大な世界の知識を符号化するが、静的知識、有限コンテキストウィンドウ、弱い構造を持つ因果推論によって基本的に制限される。
この調査は、単一の軸に沿った拡張戦略の統一的な説明を提供する。
In-context Learning and prompt engineering, Retrieval-Augmented Generation (RAG), GraphRAG, CausalRAG。
概念比較以外にも,文献の透明なスクリーニングプロトコル,クレーム・オーディット・フレームワーク,高信頼な結果と新たな結果とを区別する構造化されたクロスペーパーエビデンス合成を提供する。
本論文は、信頼性の高い検索強化NLPのための、デプロイメント指向の意思決定フレームワークと具体的な研究優先順位で締めくくっている。
関連論文リスト
- Disco-RAG: Discourse-Aware Retrieval-Augmented Generation [81.53888908988756]
生成プロセスに談話信号を注入する談話認識フレームワークであるディスコRAGを提案する。
提案手法は,チャンク内談話木を構築し,局所階層を捕捉し,クロスパスコヒーレンスをモデル化するためのチャンク間修辞グラフを構築する。
質問応答と長期文書要約ベンチマークの実験から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2026-01-07T20:32:50Z) - Structure-R1: Dynamically Leveraging Structural Knowledge in LLM Reasoning through Reinforcement Learning [29.722512436773638]
本稿では,検索したコンテンツを推論に最適化した構造化表現に変換するフレームワークであるtextscStructure-R1を提案する。
textscStructure-R1は、7Bスケールのバックボーンモデルとの競合性能を一貫して達成していることを示す。
我々の理論的分析は,情報密度と文脈的明瞭度を向上させることによって,構造化表現が推論をいかに促進するかを示す。
論文 参考訳（メタデータ） (2025-10-16T23:19:28Z) - Grounding Long-Context Reasoning with Contextual Normalization for Retrieval-Augmented Generation [57.97548022208733]
キー値抽出における表面的選択が精度と安定性のシフトを引き起こすことを示す。
生成前の文脈表現を適応的に標準化する戦略であるコンテキスト正規化を導入する。
論文 参考訳（メタデータ） (2025-10-15T06:28:25Z) - Improving Multilingual Retrieval-Augmented Language Models through Dialectic Reasoning Argumentations [65.11348389219887]
そこで,Dialectic-RAG(Dialectic-RAG, DRAG)を提案する。
我々は、文脈内学習戦略と、より小さなモデルをインストラクションするための実演の構築の両方において、我々のフレームワークが与える影響を示す。
論文 参考訳（メタデータ） (2025-04-07T06:55:15Z) - Enhancing Systematic Decompositional Natural Language Inference Using Informal Logic [51.967603572656266]
我々は,分解包含を注釈付けするための一貫した理論的なアプローチを導入する。
我々の新しいデータセットRDTEは、前回の分解エンターメントデータセットよりもかなり高い内部整合性(+9%)を持つことがわかった。
また,RDTE による知識蒸留によるエンテーメント分類器の訓練や,エンテーメントツリー推論エンジンへの導入により,精度と検証精度が向上することが確認された。
論文 参考訳（メタデータ） (2024-02-22T18:55:17Z)
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。