論文の概要: Feedback Adaptation for Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2604.06647v1
• Date: Wed, 08 Apr 2026 03:47:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.325949
• Title: Feedback Adaptation for Retrieval-Augmented Generation
• Title（参考訳）: 検索拡張生成のためのフィードバック適応
• Authors: Jihwan Bang, Seunghan Yang, Kyuhong Shim, Simyung Chang, Juntae Lee, Sungha Choi,
• Abstract要約: 本稿では,RAGシステムにおける問題設定としてフィードバック適応を導入する。 トレーニングベースのアプローチは、遅延補正と信頼性適応のトレードオフを示す。 本結果は,対話型環境下でのRAGシステムの振る舞いを,これまで見過ごされてきた次元として,フィードバック適応を強調した。
• 参考スコア（独自算出の注目度）: 36.004563021329965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) systems are typically evaluated under static assumptions, despite being frequently corrected through user or expert feedback in deployment. Existing evaluation protocols focus on overall accuracy and fail to capture how systems adapt after feedback is introduced. We introduce feedback adaptation as a problem setting for RAG systems, which asks how effectively and how quickly corrective feedback propagates to future queries. To make this behavior measurable, we propose two evaluation axes: correction lag, which captures the delay between feedback provision and behavioral change, and post-feedback performance, which measures reliability on semantically related queries after feedback. Using these metrics, we show that training-based approaches exhibit a trade-off between delayed correction and reliable adaptation. We further propose PatchRAG, a minimal inference-time instantiation that incorporates feedback without retraining, demonstrating immediate correction and strong post-feedback generalization under the proposed evaluation. Our results highlight feedback adaptation as a previously overlooked dimension of RAG system behavior in interactive settings.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) システムは、通常、ユーザや専門家のフィードバックによって頻繁に修正されるにもかかわらず、静的な仮定の下で評価される。 既存の評価プロトコルは全体的な正確さに重点を置いており、フィードバックの導入後にシステムがどのように適応するかを捉えていない。 本稿では、RAGシステムにおける問題設定としてフィードバック適応を導入し、今後のクエリに対して、どの程度効果的かつ迅速に修正フィードバックが伝播するかを問う。 この動作を測定するために,フィードバック提供と行動変化の遅延をキャプチャする修正ラグと,フィードバック後のセマンティック関連クエリの信頼性を計測するフィードバック後性能という2つの評価軸を提案する。 これらの指標を用いて、トレーニングベースのアプローチは、遅延補正と信頼性適応のトレードオフを示すことを示す。 さらに,再トレーニングなしにフィードバックを組み込む最小の推論時間インスタンス化であるPatchRAGを提案する。 本結果は,対話型環境下でのRAGシステムの振る舞いを,これまで見過ごされてきた次元として,フィードバック適応を強調した。

関連論文リスト

• The Diversity Paradox revisited: Systemic Effects of Feedback Loops in Recommender Systems [1.6167794587866464]
  本稿では、暗黙的なフィードバック、定期的なリトレーニング、および確率論的レコメンデーションの採用をキャプチャするフィードバックループモデルを提案する。 本フレームワークをオンライン小売・音楽ストリーミングデータに適用し,フィードバックループのシステム的影響を解析する。 本結果は,静的評価を超えて,レコメンダシステムを設計する際のフィードバックループのダイナミクスを明示的に考慮することの必要性を強調した。
  論文  参考訳（メタデータ） (2026-02-18T09:52:52Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• Enhancing Relation Extraction via Supervised Rationale Verification and Feedback [12.687458877141934]
  本稿では,関係抽出のための新しいフィードバックフレームワークを提案する。 合理性を検証するための合理性スーパーバイザを提供し、初期予測を正すためのフィードバックとして再選択されたデモを提供する。 提案手法は既存手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-12-10T08:18:29Z)
• Is user feedback always informative? Retrieval Latent Defending for Semi-Supervised Domain Adaptation without Source Data [34.55109747972333]
  本稿では,現実のアプリケーションで容易に利用できるユーザフィードバックを用いて,ソースモデルをターゲット環境に適用することを目的とする。 負バイアスフィードバック(NBF)と呼ばれる新しい概念を用いて、この現象を解析する。 スケーラブルな適応アプローチであるRetrieval Latent Defendingを提案する。
  論文  参考訳（メタデータ） (2024-07-22T05:15:41Z)
• Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
  アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。 アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。 本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
  論文  参考訳（メタデータ） (2024-04-19T16:45:50Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)

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。