論文の概要: A Hybrid Retrieval and Reranking Framework for Evidence-Grounded Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2605.01664v1
• Date: Sun, 03 May 2026 01:33:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.87546
• Title: A Hybrid Retrieval and Reranking Framework for Evidence-Grounded Retrieval-Augmented Generation
• Title（参考訳）: Evidence-Grounded Retrieval-Augmented Generationのためのハイブリッド検索フレームワーク
• Authors: Fariba Afrin Irany, Sampson Akwafuo,
• Abstract要約: 本研究は,バイオメディカルおよび医療関連文書質問応答における引用認識RAGのハイブリッド検索と再分類の枠組みを提案する。 この枠組みは,25の生物医学的NLPおよび医療用トランスフォーマークエリを用いて,パイロットスケールの概念実証研究として評価された。 その結果, 十分な証拠が得られれば, ハイブリッド検索, 再格付け, 保守的プロンプト, クレームレベルの評価が, RAG応答を裏付ける可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) improves large language model reliability by grounding generated responses in external evidence. However, RAG performance depends on the relevance of retrieved passages, the quality of evidence ranking, and the ability to verify whether generated claims are supported by source documents. This study presents a hybrid retrieval and reranking framework for citation-aware RAG in biomedical and healthcare-related document question answering. The framework uses Amazon Bedrock Knowledge Bases for document ingestion, parsing, chunking, embedding generation, and evidence retrieval. Source PDF documents are stored in Amazon S3, embedded using Amazon Titan Text Embeddings V2, and indexed with Amazon OpenSearch Serverless. Hybrid retrieval first retrieves candidate evidence chunks, and Cohere reranking then prioritizes the most relevant passages before answer generation. The answer-generation stage uses top-ranked evidence chunks to produce controlled, evidence-grounded responses, while a separate judge model evaluates each generated factual claim against the retrieved evidence. The framework was evaluated using 25 biomedical NLP and healthcare transformer queries as a pilot-scale proof-of-concept study. Across the evaluation set, the system retrieved and reranked 500 evidence chunks and generated answers from top-ranked evidence. Claim-level grounding evaluation extracted 200 factual claims, all of which were judged to be supported by retrieved evidence, resulting in 100.0% grounding accuracy. The results suggest that hybrid retrieval, reranking, conservative prompting, and claim-level evaluation can support reliable evidence-grounded RAG responses when sufficient source evidence is available.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) は、外部エビデンスに生成された応答を基盤として、言語モデルの信頼性を向上させる。 しかし、RAGの性能は、検索されたパスの関連性、証拠のランキングの質、生成したクレームがソース文書で裏付けられているかどうかを検証できる能力に依存する。 本研究は,バイオメディカルおよび医療関連文書質問応答における引用認識RAGのハイブリッド検索と再分類の枠組みを提案する。 このフレームワークは、ドキュメントの取り込み、解析、チャンキング、埋め込み、エビデンス検索にAmazon Bedrock Knowledge Basesを使用している。 ソースコードのPDFドキュメントはAmazon S3に格納され、Amazon Titan Text Embeddings V2を使用して埋め込み、Amazon OpenSearch Serverlessでインデックス付けされる。 ハイブリッド検索はまず候補エビデンスチャンクを検索し、Cohereは回答生成の前に最も関連性の高いパスを優先順位付けする。 回答生成段階では、トップランクのエビデンスチャンクを使用して、制御されたエビデンス基底の応答を生成し、別の判断モデルでは、得られたエビデンスに対して生成された実効的なクレームを評価する。 この枠組みは,25の生物医学的NLPおよび医療用トランスフォーマークエリを用いて,パイロットスケールの概念実証研究として評価された。 評価セット全体にわたって、システムは500個のエビデンスチャンクを検索してリランクし、上位のエビデンスから回答を生成した。 クレームレベルの接地評価は200件の事実的クレームを抽出し, いずれも証拠から裏付けられたものと判断し, 100.0%の接地精度を得た。 その結果, 十分な証拠が得られれば, ハイブリッド検索, 再格付け, 保守的プロンプト, クレームレベルの評価が, RAG応答を裏付ける可能性が示唆された。

関連論文リスト

• VeriCite: Towards Reliable Citations in Retrieval-Augmented Generation via Rigorous Verification [107.75781898355562]
  証拠を厳格に検証し,回答の帰属性を高めるために設計された,VeriCiteと呼ばれる新しいフレームワークを紹介する。 我々は,5つのオープンソースLCMと4つのデータセットを対象とした実験を行い,VeriCiteが回答の正しさを維持しつつ,引用品質を大幅に向上できることを実証した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:54Z)
• Evaluating the Robustness of Retrieval-Augmented Generation to Adversarial Evidence in the Health Domain [8.094811345546118]
  Retrieval augmented generation (RAG) システムは、検索された証拠や文脈を支援として提供することにより、Large Language Model (LLM) の応答を現実的に根拠付ける方法を提供する。 LLMは、回収された証拠に存在する誤報を吸収し、再生する。 この問題は、抽出された証拠が、誤報を公布することを明示的に意図した敵対的な材料を含むと拡大される。
  論文  参考訳（メタデータ） (2025-09-04T00:45:58Z)
• GenTREC: The First Test Collection Generated by Large Language Models for Evaluating Information Retrieval Systems [0.33748750222488655]
  GenTRECは、Large Language Model (LLM)によって生成された文書から完全に構築された最初のテストコレクションである。 我々は、生成したプロンプトのみに関連する文書を考察する一方、他の文書とトピックのペアは非関連として扱われる。 結果として得られたGenTRECコレクションは96,196のドキュメント、300のトピック、および18,964の関連性"判断"で構成されている。
  論文  参考訳（メタデータ） (2025-01-05T00:27:36Z)
• Give Me More Details: Improving Fact-Checking with Latent Retrieval [58.706972228039604]
  証拠は、自動化された事実チェックにおいて重要な役割を果たす。 既存のファクトチェックシステムは、エビデンス文が与えられたと仮定するか、検索エンジンが返した検索スニペットを使用する。 資料から得られた全文を証拠として組み込んで,2つの豊富なデータセットを導入することを提案する。
  論文  参考訳（メタデータ） (2023-05-25T15:01:19Z)
• Complex Claim Verification with Evidence Retrieved in the Wild [73.19998942259073]
  Webから生の証拠を取り出すことによって,実世界のクレームをチェックするための,最初の完全自動化パイプラインを提示する。 私たちのパイプラインには,クレーム分解,生文書検索,きめ細かい証拠検索,クレーム中心の要約,正確性判定という5つのコンポーネントが含まれています。
  論文  参考訳（メタデータ） (2023-05-19T17:49:19Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)

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。