論文の概要: Masking or Mitigating? Deconstructing the Impact of Query Rewriting on Retriever Biases in RAG

• arxiv url: http://arxiv.org/abs/2604.06097v1
• Date: Tue, 07 Apr 2026 17:10:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.954815
• Title: Masking or Mitigating? Deconstructing the Impact of Query Rewriting on Retriever Biases in RAG
• Title（参考訳）: マスキングかミスか? クエリ書き換えがRAGのリトリーバーバイアスに与える影響を解明する
• Authors: Agam Goyal, Koyel Mukherjee, Apoorv Saxena, Anirudh Phukan, Eshwar Chandrasekharan, Hari Sundaram,
• Abstract要約: 本稿では,クエリエンハンスメント手法が検索バイアスに与える影響について,最初の系統的研究を行う。 単純な書き換えは、最も強力な集合バイアス低減(54%)を達成するが、複数のバイアスが組み合わさった敵の条件下では失敗する。 本結果は,特定のバイアス脆弱性に基づいてクエリ拡張戦略を選択するための実用的なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 20.162803360845462
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dense retrievers in retrieval-augmented generation (RAG) systems exhibit systematic biases -- including brevity, position, literal matching, and repetition biases -- that can compromise retrieval quality. Query rewriting techniques are now standard in RAG pipelines, yet their impact on these biases remains unexplored. We present the first systematic study of how query enhancement techniques affect dense retrieval biases, evaluating five methods across six retrievers. Our findings reveal that simple LLM-based rewriting achieves the strongest aggregate bias reduction (54\%), yet fails under adversarial conditions where multiple biases combine. Mechanistic analysis uncovers two distinct mechanisms: simple rewriting reduces bias through increased score variance, while pseudo-document generation methods achieve reduction through genuine decorrelation from bias-inducing features. However, no technique uniformly addresses all biases, and effects vary substantially across retrievers. Our results provide practical guidance for selecting query enhancement strategies based on specific bias vulnerabilities. More broadly, we establish a taxonomy distinguishing query-document interaction biases from document encoding biases, clarifying the limits of query-side interventions for debiasing RAG systems.
• Abstract（参考訳）: 検索強化世代(RAG)システムにおけるデンスレトリバーは、簡潔さ、位置、リテラルマッチング、反復バイアスを含む体系的なバイアスを示し、検索品質を損なう可能性がある。 クエリ書き換えテクニックは現在、RAGパイプラインで標準となっているが、これらのバイアスに対する影響は未検討である。 本研究では,クエリエンハンスメント手法が検索バイアスにどのように影響するかを初めて体系的に検討し,検索者6名に対して5つの方法を評価する。 以上の結果から, 単純なLCMベースの書き換えは, 複数のバイアスが組み合わさった対向条件下では最強の集約バイアス低減(54 %)を達成するが, 失敗することがわかった。 単純な書き換えはスコア分散の増大によってバイアスを減少させるが、擬似文書生成法はバイアス誘発特徴からの真のデコリレーションによってバイアスを減少させる。 しかしながら、すべてのバイアスに均一に対処する手法はなく、効果はレトリバーによって大きく異なる。 本結果は,特定のバイアス脆弱性に基づいてクエリ拡張戦略を選択するための実用的なガイダンスを提供する。 より広範に、問合せ-文書間相互作用バイアスを文書符号化バイアスと区別する分類を確立し、問合せ側介入の限界を明らかにした。

関連論文リスト

• Bias Mitigation for AI-Feedback Loops in Recommender Systems: A Systematic Literature Review and Taxonomy [0.0]
  本稿では,バイアス緩和手法の体系的な文献レビューを行う。 彼らはAIフィードバックループを明示的に検討し、マルチラウンドシミュレーションやライブA/Bテストで検証される。 各研究は、緩和テクニック、バイアス対応、動的テストセットアップ、評価フォーカス、アプリケーションドメイン、MLタスクの6つの次元でコーディングされ、それらを再利用可能な分類に編成する。
  論文  参考訳（メタデータ） (2025-08-28T09:12:38Z)
• LTRR: Learning To Rank Retrievers for LLMs [53.285436927963865]
  ルーティングベースのRAGシステムは、単一リトリバーベースのシステムよりも優れていることを示す。 パフォーマンス向上は、特にAnswer Correctness(AC)メトリックでトレーニングされたモデルで顕著である。 SIGIR 2025 LiveRAG チャレンジの一環として,提案システムを用いて提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-06-16T17:53:18Z)
• Perplexity Trap: PLM-Based Retrievers Overrate Low Perplexity Documents [64.43980129731587]
  因果診断・矯正法(CDC)という因果推論時間脱バイアス法を提案する。 CDCはまず、パープレキシティのバイアス効果を診断し、その後、全体の関連スコアからバイアス効果を分離する。 3つの領域にまたがる実験結果から, より優れた脱バイアス効果が示された。
  論文  参考訳（メタデータ） (2025-03-11T17:59:00Z)
• Collapse of Dense Retrievers: Short, Early, and Literal Biases Outranking Factual Evidence [56.09494651178128]
  検索モデルは、Retrieval-Augmented Generation (RAG)のような情報検索(IR)アプリケーションで一般的に使用される。 我々は、Dragon+やContrieverのようなリトリーバーに対する、短いドキュメントの好みなどのバイアスの影響を定量化する。 私たちは大きな脆弱性を発見し、リトリバーが短いドキュメント、早い位置、繰り返しのエンティティ、リテラルマッチを好んで、答えの存在を無視しながら表示します。
  論文  参考訳（メタデータ） (2025-03-06T23:23:13Z)
• Rectify the Regression Bias in Long-Tailed Object Detection [29.34827806854778]
  長い尾を持つ物体検出は、非常に不均衡なクラス分布のため、大きな課題に直面している。 近年の手法は, 回帰枝の微妙な影響を無視しつつ, 分類バイアスとその損失関数設計に重点を置いている。 本稿では, 回帰バイアスが存在し, 検出精度に悪影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2024-01-29T04:40:33Z)
• Retrieval Augmentation for Commonsense Reasoning: A Unified Approach [64.63071051375289]
  検索強化コモンセンス推論(RACo)の統一的枠組みを提案する。 提案するRACoは,他の知識強化手法よりも優れる。
  論文  参考訳（メタデータ） (2022-10-23T23:49:08Z)
• Information-Theoretic Bias Reduction via Causal View of Spurious Correlation [71.9123886505321]
  本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。 本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。 提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
  論文  参考訳（メタデータ） (2022-01-10T01:19:31Z)

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。