論文の概要: Reproducing Adaptive Reranking for Reasoning-Intensive IR

• arxiv url: http://arxiv.org/abs/2604.27577v1
• Date: Thu, 30 Apr 2026 08:30:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.994323
• Title: Reproducing Adaptive Reranking for Reasoning-Intensive IR
• Title（参考訳）: Reasoning-Intensive IR における適応リグレードの再現
• Authors: Mandeep Rathee, V Venktesh, Sean MacAvaney, Avishek Anand,
• Abstract要約: グラフベースのアダプティブリカウンドアドレスは、リカウンドプロセス自体を変更することで、バウンドリコールの問題に対処する。 GARは、様々なモデルにわたる推論集約的な検索の有効性を高める。 この作業により、推論集約的なクエリに対処可能な、より実用的な検索システムのデプロイが可能になる。
• 参考スコア（独自算出の注目度）: 21.517949407443453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The classical cascading pipeline of retrieve--rerank suffers from a bounded recall problem, stemming from limitations of the first-stage retriever. Most current approaches address the bounded recall problem by improving the first-stage retriever, but this incurs substantial training and inference costs, especially to handle queries that require substantial reasoning. To circumvent the computational costs of reasoning-based retrievers, we replicate the findings of GAR, Graph-based Adaptive Reranking, on the BRIGHT reasoning-intensive retrieval benchmark. GAR addresses the bounded recall problem by modifying the reranking process itself through iterative exploration of a corpus graph, but it was previously only tested on models designed for topical and question-answering-style queries. Hence, reproduce GAR in reasoning-intensive settings with reasoning and non-reasoning reranking models. We observe that the quality of the reranker's signal plays an important role in identifying additional relevant documents within the corpus graph. Overall, we find that GAR boosts the effectiveness of reasoning-intensive retrieval across a variety of models while contributing minimally to computational overheads. Ultimately, this work enables more practical deployment of retrieval systems that can address reasoning-intensive queries.
• Abstract（参考訳）: レトリバーの古典的なカスケードパイプラインは、第1段レトリバーの制限から生じる、バウンドリコール問題に悩まされている。 現在のほとんどのアプローチは、第一段階のレトリバーを改善することで、バウンドリコールの問題に対処しているが、これは、特に実質的な推論を必要とするクエリを扱うために、かなりのトレーニングと推論コストを発生させる。 推論に基づく検索の計算コストを回避するため、BRIGHT推論集約検索ベンチマークにおいて、グラフベースのAdaptive Re rankであるGARの結果を再現する。 GARは、コーパスグラフの反復探索を通じて再ランク付けプロセス自体を変更することで、境界リコール問題に対処するが、以前はトピックや質問応答スタイルのクエリ用に設計されたモデルでのみテストされていた。 したがって、推論集約的な設定でGARを再現し、推論と非推論リグレードモデルを生成する。 我々は、コーパスグラフ内の関連文書を識別する上で、リランカー信号の品質が重要な役割を担っていることを観察する。 全体として、GARは、計算オーバーヘッドを最小限に抑えつつ、様々なモデルにわたる推論集約的な検索の有効性を高める。 最終的に、この作業により、推論集約的なクエリに対処可能な、より実用的な検索システムのデプロイが可能になる。

関連論文リスト

• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• FrugalRAG: Learning to retrieve and reason for multi-hop QA [10.193015391271535]
  RAGメトリクスを改善するために大規模な微調整は必要ない。 監督されたRLベースの微調整は、粗悪さの観点からRAGに役立つ。
  論文  参考訳（メタデータ） (2025-07-10T11:02:13Z)
• DeepRAG: Thinking to Retrieve Step by Step for Large Language Models [92.87532210660456]
  我々はマルコフ決定過程(MDP)として検索強化推論をモデル化するDeepRAGを提案する。 クエリを反復的に分解することで、DeepRAGは外部知識を取得するか、あるいは各ステップでパラメトリック推論に依存するかを動的に決定する。 実験の結果,DeepRAGは検索効率を向上し,回答精度を26.4%向上させ,検索強化推論の有効性を示した。
  論文  参考訳（メタデータ） (2025-02-03T08:22:45Z)
• 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)
• ReFIT: Relevance Feedback from a Reranker during Inference [109.33278799999582]
  Retrieve-and-Rerankは、ニューラル情報検索の一般的なフレームワークである。 本稿では,リランカを利用してリコールを改善する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-19T15:30:33Z)

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。