Fugu-MT 論文翻訳(概要): Rag Performance Prediction for Question Answering

論文の概要: Rag Performance Prediction for Question Answering

arxiv url: http://arxiv.org/abs/2604.07985v1
Date: Thu, 09 Apr 2026 08:55:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-10 18:34:05.811174
Title: Rag Performance Prediction for Question Answering
Title（参考訳）: 質問応答におけるラグ性能予測
Authors: Or Dado, David Carmel. Oren Kurland,
Abstract要約: アドホック検索のために考案された検索前および検索後予測器の性能について検討した。また, ポストジェネレーション予測器についても検討し, そのうちの1つが新規であり, 最高の予測品質を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We address the task of predicting the gain of using RAG (retrieval augmented generation) for question answering with respect to not using it. We study the performance of a few pre-retrieval and post-retrieval predictors originally devised for ad hoc retrieval. We also study a few post-generation predictors, one of which is novel to this study and posts the best prediction quality. Our results show that the most effective prediction approach is a novel supervised predictor that explicitly models the semantic relationships among the question, retrieved passages, and the generated answer.
Abstract（参考訳）: 本稿では,RAG (retrieval augmented generation) を用いた質問応答におけるRAG (retrieval augmented generation) の利得の予測課題に対処する。アドホック検索のために考案された検索前および検索後予測器の性能について検討した。また, ポストジェネレーション予測器についても検討し, そのうちの1つが新規であり, 最高の予測品質を示す。その結果,最も効果的な予測手法は,質問や検索文,生成した回答のセマンティックな関係を明示的にモデル化する,教師付き予測手法であることが示唆された。

関連論文リスト

Predicting Retrieval Utility and Answer Quality in Retrieval-Augmented Generation [24.439170886636788]
RAGの改善の鍵となる課題は、検索した文書の有用性と最終回答の品質の両方を、正確性と妥当性の観点から予測することである。 RAG内では,検索性能予測と生成性能予測という2つの予測タスクを定義している。入力クエリに条件付けされた検索コンテキストのLLMの難易度など、読者中心の機能は、予測精度をさらに高めることができると論じる。
論文参考訳（メタデータ） (2026-01-20T23:59:54Z)
PROPHET: An Inferable Future Forecasting Benchmark with Causal Intervened Likelihood Estimation [46.3251656496956]
大規模言語モデル(LLM)に基づくシステムにおける最近の進歩は、将来の事象を予測する大きな可能性を示している。イベント予測をRAG(Research-augmented Generation)と推論タスクとして形式化し,予測能力を評価するために,いくつかのベンチマークが確立されている。本稿では,検索のための関連ニュースと組み合わせた予測可能な質問を含む新しいベンチマークPropPHETを提案する。
論文参考訳（メタデータ） (2025-04-02T08:57:42Z)
Combining Query Performance Predictors: A Reproducibility Study [6.681467202699048]
早ければ2009年にも、予測品質を改善するために異なるQPP手法を組み合わせることができるかどうかをHauffらは検討した。本研究は,新たな予測手法,評価指標,データセットを照らして,Hauffらの研究結果の程度を評価するものである。
論文参考訳（メタデータ） (2025-03-31T16:01:58Z)
Correct after Answer: Enhancing Multi-Span Question Answering with Post-Processing Method [11.794628063040108]
マルチスパン質問回答(Multi-Span Question Answering、MSQA)は、ある質問に答えるために、与えられたコンテキストから1つまたは複数の回答スパンを抽出するモデルを必要とする。本稿では,不正確な予測処理に後処理戦略を用いるAnswering-Classifying-Correcting(ACC)フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-22T08:04:32Z)
Performative Time-Series Forecasting [64.03865043422597]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文参考訳（メタデータ） (2023-10-09T18:34:29Z)
When No-Rejection Learning is Consistent for Regression with Rejection [11.244583592648443]
本研究では,すべてのデータを用いて予測を学習するノンリジェクト学習戦略について検討する。本稿では,すべてのデータを用いて予測を学習するノンリジェクト学習戦略について検討する。
論文参考訳（メタデータ） (2023-07-06T11:43:22Z)
What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文参考訳（メタデータ） (2022-06-13T21:31:06Z)
Pathologies of Pre-trained Language Models in Few-shot Fine-tuning [50.3686606679048]
実例が少ない事前学習言語モデルはラベル間に強い予測バイアスを示すことを示す。わずかな微調整で予測バイアスを軽減できるが,本分析では,非タスク関連の特徴を捉えることで,モデルの性能向上を図っている。これらの観察は、より少ない例でモデルのパフォーマンスを追求することは、病理学的予測行動を引き起こす可能性があることを警告する。
論文参考訳（メタデータ） (2022-04-17T15:55:18Z)
Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
持続時間予測に有効な2つのモデルを提案する。 1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
論文参考訳（メタデータ） (2020-11-05T01:52:11Z)
Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文参考訳（メタデータ） (2020-06-30T15:49:05Z)

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。