論文の概要: A Reproducibility Study of Metacognitive Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2604.19899v1
• Date: Tue, 21 Apr 2026 18:22:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.743611
• Title: A Reproducibility Study of Metacognitive Retrieval-Augmented Generation
• Title（参考訳）: メタ認知的検索機能強化ジェネレーションの再現性に関する研究
• Abstract要約: Metacognitive Retrieval Augmented Generation (MetaRAG) は、メタ認知にインスパイアされたフレームワークである。 本稿では,MetaRAGが部分的に再生され,再ランクが大幅に向上し,拡張された検索機能によりSIM-RAGよりも堅牢であることを示す。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, Retrieval Augmented Generation (RAG) has shifted focus to multi-retrieval approaches to tackle complex tasks such as multi-hop question answering. However, these systems struggle to decide when to stop searching once enough information has been gathered. To address this, \citet{zhou2024metacognitive} introduced Metacognitive Retrieval Augmented Generation (MetaRAG), a framework inspired by metacognition that enables Large Language Models to critique and refine their reasoning. In this reproducibility paper, we reproduce MetaRAG following its original experimental setup and extend it in two directions: (i) by evaluating the effect of PointWise and ListWise rerankers, and (ii) by comparing with SIM-RAG, which employs a lightweight critic model to stop retrieval. Our results confirm MetaRAG's relative improvements over standard RAG and reasoning-based baselines, but also reveal lower absolute scores than reported, reflecting challenges with closed-source LLM updates, missing implementation details, and unreleased prompts. We show that MetaRAG is partially reproduced, gains substantially from reranking, and is more robust than SIM-RAG when extended with additional retrieval features.
• Abstract（参考訳）: 近年、検索機能強化(RAG)は、マルチホップ質問応答のような複雑なタスクに対処するマルチ検索アプローチに焦点を移している。 しかし、これらのシステムは、十分な情報が収集されたらいつ検索を止めるかを決定するのに苦労している。 これを解決するために \citet{zhou2024metacognitive} はメタ認知的検索増強(MetaRAG)を導入した。 本論文では,MetaRAGを元の実験装置に従って再現し,2方向に拡張する。 一 ポイントワイズ及びリストワイズ・リランカーの効果を評価して、 (II) SIM-RAGとの比較により, 検索の停止に軽量な批評家モデルを用いた。 その結果,MetaRAGの標準RAGと推論ベースラインに対する相対的な改善は確認できたが,それと同時に,オープンソースLLM更新や実装詳細の欠如,未発表のプロンプトといった課題を反映して,報告結果よりも絶対スコアが低いことが判明した。 本稿では,MetaRAGが部分的に再生され,再ランクが大幅に向上し,拡張された検索機能によりSIM-RAGよりも堅牢であることを示す。

関連論文リスト

• KGiRAG: An Iterative GraphRAG Approach for Responding Sensemaking Queries [0.0]
  グラフに基づく大規模言語モデル(LLM)検索拡張生成(RAG)へのアプローチ 本稿では, 応答品質評価を反復的に改善する, フィードバック駆動型GraphRAGアーキテクチャを提案する。 HotPotQAデータセットからのクエリによるアプローチを評価することで、この反復RAG戦略は、シングルショットベースラインと比較して、セマンティック品質が高く、関連性が向上した応答を得られることを示す。
  論文  参考訳（メタデータ） (2026-03-02T10:38:59Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
  Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。 逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。 この調査は両鎖を統一的推論-検索の観点から合成する。
  論文  参考訳（メタデータ） (2025-07-13T03:29:41Z)
• DynamicRAG: Leveraging Outputs of Large Language Model as Feedback for Dynamic Reranking in Retrieval-Augmented Generation [23.060355911225923]
  リランカは、生成品質と説明可能性を高めるために、検索した文書の精錬において重要な役割を果たす。 本稿では,リランカが検索した文書の順序と数の両方を動的に調整する新しいRAGフレームワークであるDynamicRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-12T05:19:01Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• MCTS-RAG: Enhancing Retrieval-Augmented Generation with Monte Carlo Tree Search [61.11836311160951]
  本稿では,知識集約型タスクにおける小言語モデルの推論能力を高める新しいアプローチであるMCTS-RAGを紹介する。 通常、推論から独立して情報を取得する標準的なRAG法とは異なり、MCTS-RAGは構造化推論と適応的検索を組み合わせる。 この統合されたアプローチは意思決定を強化し、幻覚を減らし、事実の正確性と応答の整合性を向上させる。
  論文  参考訳（メタデータ） (2025-03-26T17:46:08Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• RQ-RAG: Learning to Refine Queries for Retrieval Augmented Generation [42.82192656794179]
  大きな言語モデル(LLM)は優れた能力を示すが、不正確なあるいは幻覚反応を引き起こす傾向がある。 この制限は、膨大な事前トレーニングデータセットに依存することに起因するため、目に見えないシナリオでのエラーの影響を受けやすい。 Retrieval-Augmented Generation (RAG) は、外部の関連文書を応答生成プロセスに組み込むことによって、この問題に対処する。
  論文  参考訳（メタデータ） (2024-03-31T08:58:54Z)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)

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。