論文の概要: A Survey of Reasoning-Intensive Retrieval: Progress and Challenges

• arxiv url: http://arxiv.org/abs/2605.00063v1
• Date: Thu, 30 Apr 2026 08:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.664646
• Title: A Survey of Reasoning-Intensive Retrieval: Progress and Challenges
• Title（参考訳）: 推論集約検索の進歩と課題
• Authors: Yiyang Wei, Tingyu Song, Siyue Zhang, Yilun Zhao,
• Abstract要約: Reasoning-Intensive Retrieval (RIR) は、意味的類似性ではなく、クエリとエビデンスの間の遅延推論リンクによって関連性が媒介される検索設定をターゲットにしている。 LLM(Large Language Models)の突発的推論能力に触発された最近の研究は、これらの機能をIRフィールドに統合し、ベンチマークからレトリバーやリランカに至るまで、パイプライン全体にわたる。
• 参考スコア（独自算出の注目度）: 14.401084431184517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reasoning-Intensive Retrieval (RIR) targets retrieval settings where relevance is mediated by latent inferential links between a query and supporting evidence, rather than semantic similarity. Motivated by the emergent reasoning abilities of Large Language Models (LLMs), recent work integrates these capabilities into the IR field, spanning the entire pipeline from benchmarks to retrievers and rerankers. Despite this progress, the field lacks a systematic framework to organize current efforts and articulate a clear path forward. To provide a clear roadmap for this rapidly growing yet fragmented area, this survey (1) systematizes existing RIR benchmarks by knowledge domains and modalities, providing a detailed analysis of the current landscape; (2) introduces a structured taxonomy that categorizes methods based on where and how reasoning is integrated into the retrieval pipeline, alongside an analysis of their trade-offs and practical applications; and (3) summarizes challenges and future directions to guide research in this evolving field.
• Abstract（参考訳）: Reasoning-Intensive Retrieval (RIR) は、意味的類似性ではなく、クエリとエビデンスの間の遅延推論リンクによって関連性が媒介される検索設定をターゲットにしている。 LLM(Large Language Models)の突発的推論能力に触発された最近の研究は、これらの機能をIRフィールドに統合し、ベンチマークからレトリバーやリランカに至るまで、パイプライン全体にわたる。 この進歩にもかかわらず、この分野には現在の取り組みを組織化し、明確な道のりを明示する体系的な枠組みが欠けている。 本調査では,(1)知識領域やモダリティによる既存のRIRベンチマークの体系化,現状の詳細な分析,(2)そのトレードオフや実践的応用の分析とともに,探索パイプラインへの推論の方法と方法の分類,(3)この進化する分野における研究を導くための課題と今後の方向性をまとめた,明確なロードマップを提供する。

関連論文リスト

• Tutorial on Reasoning for IR & IR for Reasoning [43.22339935902436]
  情報検索は長年,意味的関連性による文書のランク付けに重点を置いてきた。 実世界の情報には、論理的制約の実施、多段階推論、複数の証拠の合成が必要である。 AIコミュニティ全体で、研究者は推論の問題に対するソリューションを開発している。
  論文  参考訳（メタデータ） (2026-02-03T15:24:36Z)
• Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
  Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。 近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。 提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
  論文  参考訳（メタデータ） (2025-11-12T08:29:39Z)
• Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce [61.03081096959132]
  そこで本稿では,複雑な状況下でのテキストバウンダリングを改善するための,文脈対応推論強化型生成検索フレームワークを提案する。 提案手法は,強力なベースラインに比べて優れた性能を示し,検索に基づく推薦の有効性を検証した。
  論文  参考訳（メタデータ） (2025-10-19T16:46:11Z)
• Test-time Corpus Feedback: From Retrieval to RAG [21.517949407443453]
  Retrieval-Augmented Generation (RAG) は知識集約型NLPタスクの標準フレームワークとして登場した。 ほとんどのRAGパイプラインは、検索と推論を独立したコンポーネントとして扱い、ドキュメントを一度取り出し、さらに相互作用することなく回答を生成する。 情報検索(IR)とNLPのコミュニティにおける最近の研究は、フィードバックを取り入れた適応的検索とランキング手法を導入して、このギャップを埋め始めている。
  論文  参考訳（メタデータ） (2025-08-21T10:57:38Z)
• Retrieval-Augmented Generation: A Comprehensive Survey of Architectures, Enhancements, and Robustness Frontiers [0.0]
  Retrieval-Augmented Generation (RAG) は、大規模言語モデルを強化するための強力なパラダイムとして登場した。 RAGは、検索品質、基底忠実度、パイプライン効率、ノイズや逆入力に対する堅牢性といった新しい課題を導入している。 本調査は、RAG研究における現在の知識を集約し、次世代の検索強化言語モデリングシステムの基礎となることを目的としている。
  論文  参考訳（メタデータ） (2025-05-28T22:57:04Z)
• A Survey on Interpretable Cross-modal Reasoning [64.37362731950843]
  マルチメディア分析から医療診断に至るまで、クロスモーダル推論(CMR)が重要な分野として浮上している。 この調査は、解釈可能なクロスモーダル推論(I-CMR)の領域を掘り下げる 本調査では,I-CMRの3段階分類法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T05:06:48Z)
• Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual Recognition [57.08108545219043]
  サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。 既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。 本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
  論文  参考訳（メタデータ） (2023-05-12T00:13:17Z)

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。