論文の概要: CORAL: Adaptive Retrieval Loop for Culturally-Aligned Multilingual RAG

• arxiv url: http://arxiv.org/abs/2604.25676v1
• Date: Tue, 28 Apr 2026 14:06:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.893681
• Title: CORAL: Adaptive Retrieval Loop for Culturally-Aligned Multilingual RAG
• Title（参考訳）: 文化適応型多言語RAGのための適応検索ループ
• Authors: Nayeon Lee, Jiwoo Song, Byeongcheol Kang,
• Abstract要約: CoRAL (Context-aware Retrieval with Agentic Loop) はmRAGの適応的検索手法である。 これにより、証拠の品質に基づいて、検索空間(コーパス)と検索プローブ(クエリ)の両方を反復的に洗練することができる。 低リソース言語では最大3.58%の精度向上を実現している。
• 参考スコア（独自算出の注目度）: 4.170633536763651
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Multilingual retrieval-augmented generation (mRAG) is often implemented within a fixed retrieval space, typically via query or document translation or multilingual embedding vector representations. However, this approach may be inadequate for culturally grounded queries, in which retrieval-condition misalignment may occur. Even strong retrievers and generators may struggle to produce culturally relevant answers when sourcing evidence from inappropriate linguistic or regional contexts. To this end, we introduce CORAL (COntext-aware Retrieval with Agentic Loop, an adaptive retrieval methodology for mRAG that enables iterative refinement of both the retrieval space (corpora) and the retrieval probe (query) based on the quality of the evidence. The overall process includes: (1) selecting corpora, (2) retrieving documents, (3) critiquing evidence for relevance and cultural alignment, and (4) checking sufficiency. If the retrieved documents are insufficient to answer the query correctly, the system (5) reselects corpora and rewrites the query. Across two cultural QA benchmarks, CORAL achieves up to a 3.58%p accuracy improvement on low-resource languages relative to the strongest baselines.
• Abstract（参考訳）: マルチ言語検索拡張生成(mRAG)は、通常、クエリや文書翻訳、多言語埋め込みベクトル表現を通じて、固定された検索空間内で実装されることが多い。 しかし、この手法は、検索条件の不一致が発生する可能性のある文化的根拠のあるクエリには不十分である。 強力なレトリバーやジェネレータでさえ、不適切な言語的あるいは地域的文脈から証拠を引き出す際に、文化的に関係のある答えを生み出すのに苦労する可能性がある。 この目的のために我々は,mRAGの適応的検索手法であるCoRAL(Context-aware Retrieval with Agentic Loop)を導入する。 1) コーパスの選択,(2) 文書の検索,(3) 関連性および文化的アライメントの基準,(4) 満足度確認などである。 検索された文書がクエリに正しく答えられない場合、システム(5)はコーパスを再選択し、クエリを書き換える。 2つの文化的なQAベンチマークで、Coralは最強のベースラインと比較して、低リソース言語で3.58%の精度向上を実現している。

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)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• The Cross-Lingual Cost: Retrieval Biases in RAG over Arabic-English Corpora [5.0908395672023055]
  言語間検索強化生成(RAG)は、言語間で回答を検索し、生成する重要な能力である。 我々は、実世界の企業データセットから得られたベンチマークを用いて、アラビア語のRAGをドメイン固有の設定で研究する。 両言語から等価な検索を強制したり、クエリを翻訳することで、この失敗の原因に対処する2つの簡単な検索戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-10T08:38:31Z)
• JudgeRank: Leveraging Large Language Models for Reasoning-Intensive Reranking [81.88787401178378]
  本稿では,文書関連性を評価する際に,人間の認知過程をエミュレートする新しいエージェント・リランカであるJiceRankを紹介する。 我々は,推論集約型BRIGHTベンチマークを用いて判定Rankを評価し,第1段階の検索手法よりも性能が大幅に向上したことを示す。 さらに、JiceRankは、人気の高いBEIRベンチマークの細調整された最先端リランカと同等に動作し、ゼロショットの一般化能力を検証している。
  論文  参考訳（メタデータ） (2024-10-31T18:43:12Z)
• Multilingual Retrieval Augmented Generation for Culturally-Sensitive Tasks: A Benchmark for Cross-lingual Robustness [30.00463676754559]
  検索したウィキペディア文書と組み合わせた領土紛争のデータセットであるBordIRLinesを49言語で紹介する。 我々は多言語検索のための複数のモードを定式化することにより、このRAG設定の言語間ロバスト性を評価する。 実験の結果,多様な言語からの視点を取り入れることで,ロバスト性の向上が期待できることがわかった。
  論文  参考訳（メタデータ） (2024-10-02T01:59:07Z)
• UnifieR: A Unified Retriever for Large-Scale Retrieval [84.61239936314597]
  大規模な検索は、クエリを与えられた巨大なコレクションから関連ドキュメントをリコールすることである。 事前学習型言語モデル(PLM)に基づく最近の検索手法は,高密度ベクターあるいはレキシコンに基づくパラダイムに大別することができる。 本論文では,高密度ベクトルとレキシコンに基づく検索を2つの表現能力を持つ1つのモデルで統合する学習フレームワークUnifieRを提案する。
  論文  参考訳（メタデータ） (2022-05-23T11:01:59Z)
• Multi-Stage Conversational Passage Retrieval: An Approach to Fusing Term Importance Estimation and Neural Query Rewriting [56.268862325167575]
  マルチステージアドホックIRシステムにクエリ再構成を組み込んだ会話経路検索(ConvPR)に取り組む。 本稿では,1項の重要度推定と2項のニューラルクエリ書き換えという2つの手法を提案する。 前者に対しては、周波数に基づく信号を用いて会話コンテキストから抽出した重要な用語を用いて会話クエリを拡張する。 後者では,会話クエリを,事前訓練されたシーケンス列列列モデルを用いて,自然な,スタンドアロンの,人間の理解可能なクエリに再構成する。
  論文  参考訳（メタデータ） (2020-05-05T14:30:20Z)

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。