論文の概要: Document Optimization for Black-Box Retrieval via Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2604.05087v1
• Date: Mon, 06 Apr 2026 18:41:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.443782
• Title: Document Optimization for Black-Box Retrieval via Reinforcement Learning
• Title（参考訳）: 強化学習によるブラックボックス検索のための文書最適化
• Authors: Omri Uzan, Ron Polonsky, Douwe Kiela, Christopher Potts,
• Abstract要約: 我々は文書拡張を文書最適化問題として再放送する。 言語モデルまたはビジョン言語モデルは、ドキュメントを、ターゲットレトリバーの下で期待されるクエリ分布とよりよく整合した表現に変換するように微調整される。 学習した文書変換が検索ゲインとなり、多くの設定において、より小さく、より効率的な検索者がより大きな文書変換を上回ります。
• 参考スコア（独自算出の注目度）: 34.56617313585179
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Document expansion is a classical technique for improving retrieval quality, and is attractive since it shifts computation offline, avoiding additional query-time processing. However, when applied to modern retrievers, it has been shown to degrade performance, often introducing noise that obfuscates the discriminative signal. We recast document expansion as a document optimization problem: a language model or a vision language model is fine-tuned to transform documents into representations that better align with the expected query distribution under a target retriever, using GRPO with the retriever's ranking improvements as rewards. This approach requires only black-box access to retrieval ranks, and is applicable across single-vector, multi-vector and lexical retrievers. We evaluate our approach on code retrieval and visual document retrieval (VDR) tasks. We find that learned document transformations yield retrieval gains and in many settings enable smaller, more efficient retrievers to outperform larger ones. For example, applying document optimization to OpenAI text-embedding-3-small model improves nDCG5 on code (58.7 to 66.8) and VDR (53.3 to 57.6), even slightly surpassing the 6.5X more expensive OpenAI text-embedding-3-large model (66.3 on code; 57.0 on VDR). When retriever weights are accessible, document optimization is often competitive with fine-tuning, and in most settings their combination performs best, improving Jina-ColBERT-V2 from 55.8 to 63.3 on VDR and from 48.6 to 61.8 on code retrieval.
• Abstract（参考訳）: ドキュメント拡張は、検索品質を改善するための古典的なテクニックであり、追加のクエリ時間処理を回避して、計算をオフラインにするので魅力的である。 しかし、現代のレトリバーに適用すると性能が低下することが示され、しばしば識別シグナルを難読化するノイズがもたらされる。 我々は文書拡張を文書最適化問題として再キャストする: 言語モデルまたは視覚言語モデルは、文書を、検索対象の検索者の下で期待されるクエリ分布によく適合する表現に変換するために微調整され、GRPOと検索者のランキング改善を報酬として利用する。 このアプローチでは、検索ランクへのブラックボックスアクセスしか必要とせず、シングルベクタ、マルチベクタ、レキシカルレトリバーに適用される。 コード検索と視覚文書検索(VDR)タスクに対する我々のアプローチを評価する。 学習した文書変換が検索ゲインとなり、多くの設定において、より小さく、より効率的な検索者がより大きな文書変換を上回ります。 例えば、OpenAIのテキスト埋め込み3-小モデルに文書最適化を適用すると、コード上のnDCG5(58.7から66.8)とVDR(53.3から57.6)が改善され、さらに高価なOpenAIのテキスト埋め込み3-大モデル(66.3、VDRは57.0)をわずかに上回っている。 検索のウェイトが利用できる場合、文書の最適化は微調整と競合することが多く、ほとんどの環境ではJina-ColBERT-V2を55.8から63.3に改善し、コード検索では48.6から61.8に改善している。

関連論文リスト

• Retrieval or Representation? Reassessing Benchmark Gaps in Multilingual and Visually Rich RAG [1.4425299138308667]
  BM25の文書は、コーパスレベルの重み付けと重なり合う。 大規模なクエリドキュメントデータセットでトレーニングされたエンドツーエンドのマルチモーダルレトリバーは、これらのアプローチよりも大幅に改善されている。 より優れたドキュメント表現がベンチマーク改善の原動力であることを実証する。
  論文  参考訳（メタデータ） (2026-03-04T16:21:20Z)
• Cluster-based Adaptive Retrieval: Dynamic Context Selection for RAG Applications [8.946586077722822]
  クラスタベースのAdaptive Retrieval (CAR) は、順序付きクエリ文書類似度距離のクラスタリングパターンを分析して、最適な文書数を決定するアルゴリズムである。 CARは、常に最適な検索深度を選択し、最高TESスコアを達成し、固定されたトップkベースラインを全て上回る。
  論文  参考訳（メタデータ） (2025-10-02T05:11:12Z)
• Improving Document Retrieval Coherence for Semantically Equivalent Queries [63.97649988164166]
  同じ文書を検索する際のモデルのコヒーレンスを改善する訓練DRにおける多段階ランク付け損失のバリエーションを提案する。 この損失は、多様だがセマンティックな等価なクエリのために検索されたトップkランクのドキュメント間の不一致を罰する。
  論文  参考訳（メタデータ） (2025-08-11T13:34:59Z)
• Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking [58.69615583599489]
  Deliberate Thinking based Retriever (Debater) は、段階的な思考プロセスを導入することで文書表現を強化する新しいアプローチである。 Debaterは、いくつかのベンチマークで既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-02-18T15:56:34Z)
• Optimizing Query Generation for Enhanced Document Retrieval in RAG [53.10369742545479]
  大規模言語モデル(LLM)は様々な言語タスクに優れるが、しばしば誤った情報を生成する。 Retrieval-Augmented Generation (RAG) は、正確な応答に文書検索を使用することによってこれを緩和することを目的としている。
  論文  参考訳（メタデータ） (2024-07-17T05:50:32Z)
• xRAG: Extreme Context Compression for Retrieval-augmented Generation with One Token [108.7069350303884]
  xRAGは、検索拡張生成に適した、革新的なコンテキスト圧縮手法である。 xRAGは、言語モデル表現空間に文書の埋め込みをシームレスに統合する。 実験の結果、xRAGは6つの知識集約タスクで平均10%以上の改善を達成していることがわかった。
  論文  参考訳（メタデータ） (2024-05-22T16:15:17Z)
• 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。