論文の概要: AutoRAGTuner: A Declarative Framework for Automatic Optimization of RAG Pipelines

• arxiv url: http://arxiv.org/abs/2605.02967v1
• Date: Sun, 03 May 2026 12:12:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.545151
• Title: AutoRAGTuner: A Declarative Framework for Automatic Optimization of RAG Pipelines
• Title（参考訳）: AutoRAGTuner - RAGパイプラインの自動最適化のための宣言的フレームワーク
• Authors: Xintan Zeng, Yongchao Liu, Yice Luo, Jiajun Zhen,
• Abstract要約: 本稿では、RAGライフサイクルを自動化する構成駆動フレームワークであるAutoRAGTunerを紹介する。 AutoRAGTunerはモジュールアーキテクチャを使用して、コンポーネント登録機構を通じてパイプラインステージを分離する。 さまざまなRAGパイプライン間で、デフォルトのベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 6.535591308517989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) enhances LLMs, but performance is highly sensitive to complex architecture designs and hyper-parameter configurations, which currently rely on inefficient manual tuning. We present AutoRAGTuner, a declarative, configuration-driven framework that automates the RAG life cycle: construction, execution,evaluation, and optimization. AutoRAGTuner employs a modular architecture to decouple pipeline stages through a component registration mechanism. To unify heterogeneous data, we introduce the Domain-Element Model (DEM), representing objects as atomic elements with bidirectional pointers to support nodes, edges, and hyperedges. Furthermore, AutoRAGTuner integrates an adaptive Bayesian optimization engine for end-to-end hyper-parameter tuning. Experimental results demonstrate AutoRAGTuner's architectural generality: across diverse RAG pipelines, ranging from vanilla to graph-based, the framework consistently outperforms default baselines. Notably, AutoRAGTuner significantly mitigates engineering overhead, where its declarative configuration language enables a up to 95\% reduction in code churn for architectural adjustments. Overall, AutoRAGTuner provides a systematically optimizable foundation for building evolvable and reusable RAG systems.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は LLM を強化するが、性能は複雑なアーキテクチャ設計や非効率な手動チューニングに依存するハイパーパラメータ構成に非常に敏感である。 本稿では,RAGライフサイクル(構築,実行,評価,最適化)を自動化する宣言型,構成駆動型フレームワークであるAutoRAGTunerを紹介する。 AutoRAGTunerはモジュールアーキテクチャを使用して、コンポーネント登録機構を通じてパイプラインステージを分離する。 不均一なデータを統一するために、ノード、エッジ、ハイパーエッジをサポートする双方向ポインタを持つ原子要素としてオブジェクトを表現するドメイン要素モデル(DEM)を導入する。 さらに、AutoRAGTunerは、エンドツーエンドのハイパーパラメータチューニングのための適応ベイズ最適化エンジンを統合する。 実験の結果、AutoRAGTunerのアーキテクチャの汎用性を示している。バニラからグラフベースまで、さまざまなRAGパイプラインにわたって、フレームワークはデフォルトのベースラインを一貫して上回っている。 特にAutoRAGTunerは、宣言的なコンフィギュレーション言語によって、アーキテクチャ調整のためのコードチャーンを最大95%削減できるという、エンジニアリングのオーバーヘッドを大幅に軽減している。 全体として、AutoRAGTunerは進化可能で再利用可能なRAGシステムを構築するための体系的に最適化可能な基盤を提供する。

関連論文リスト

• VeriAgent: A Tool-Integrated Multi-Agent System with Evolving Memory for PPA-Aware RTL Code Generation [52.43796056267479]
  高品質なベリログコード生成のためのPPA対応ツール統合マルチエージェントフレームワークを提案する。 当社のフレームワークでは,EDAツールをtextitProgrammer Agent, textitCorrectness Agent, textitPPA Agentで構成されるクローズドループワークフローに明示的に組み込んでいる。 モデル再トレーニングなしに継続的な改善をサポートするために,構造化メモリノードに最適化エクスペリエンスを外部化するtextitEvolved Memory Mechanismを導入する。
  論文  参考訳（メタデータ） (2026-03-18T11:25:40Z)
• CODMAS: A Dialectic Multi-Agent Collaborative Framework for Structured RTL Optimization [5.592208774984063]
  CODMASは、構造化弁証法とドメイン認識コード生成と決定論的評価を組み合わせたフレームワークである。 120のVerilogトリプル(最適化されていない、最適化された、テストベンチ)のベンチマークであるRTLOPTを導入し、パイプライン化とクロックゲーティング変換を行った。
  論文  参考訳（メタデータ） (2026-03-17T23:10:07Z)
• AutoScout: Structured Optimization for Automating ML System Configuration [12.657466158068972]
  AutoScoutは機械学習トレーニング、微調整、推論のための汎用システムである。 ハイインパクトな設定を優先し、様々な忠実度を持つシミュレータをアンサンブルする。 高性能な設定を一貫して定義し、専門家が調整した設定よりも2.7-3.0$timesのトレーニングスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-03-12T06:56:12Z)
• Predict the Retrieval! Test time adaptation for Retrieval Augmented Generation [66.36556189794526]
  TTARAGは、特殊ドメインにおけるRAGシステム性能を改善するために、推論中に言語モデルのパラメータを動的に更新するテスト時適応手法である。 提案手法では,モデルが検索した内容の予測を学習し,対象領域への自動パラメータ調整を可能にする。
  論文  参考訳（メタデータ） (2026-01-16T17:07:01Z)
• Zero-shot 3D Map Generation with LLM Agents: A Dual-Agent Architecture for Procedural Content Generation [8.398818816613806]
  ゼロショットPCGパラメータ設定にLLMエージェントを利用する学習自由アーキテクチャを提案する。 我々のシステムはアクターエージェントとCriticエージェントをペアリングし、ツールパラメータを自律的に理由づける反復ワークフローを可能にする。
  論文  参考訳（メタデータ） (2025-12-11T10:22:02Z)
• Synergy-Guided Compiler Auto-Tuning of Nested LLVM Pass Pipelines [10.570484818376537]
  我々は、New Pass Managerのためにゼロから構築された新しい自動チューニングフレームワークを提示する。 我々は,これらの森林を直接操作する構造認識型遺伝的アルゴリズムを開発した。 LLVM 18.1.6を用いて7つのベンチマークデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2025-10-15T06:14:44Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• Toward General Instruction-Following Alignment for Retrieval-Augmented Generation [63.611024451010316]
  Retrieval-Augmented Generation (RAG) システムの効果的な適用には、自然な指示に従うことが不可欠である。 RAGシステムにおける命令追従アライメントのための,最初の自動化,拡張性,検証可能な合成パイプラインであるVIF-RAGを提案する。
  論文  参考訳（メタデータ） (2024-10-12T16:30:51Z)
• DepGraph: Towards Any Structural Pruning [68.40343338847664]
  我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。 本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。 本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
  論文  参考訳（メタデータ） (2023-01-30T14:02:33Z)

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。