Fugu-MT 論文翻訳(概要): Reproducing Complex Set-Compositional Information Retrieval

論文の概要: Reproducing Complex Set-Compositional Information Retrieval

arxiv url: http://arxiv.org/abs/2605.03824v1
Date: Tue, 05 May 2026 14:51:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-06 19:35:43.983399
Title: Reproducing Complex Set-Compositional Information Retrieval
Title（参考訳）: 複合集合情報検索の再現
Authors: Vincent Degenhart, Dewi Timman, Arjen P. de Vries, Faegheh Hasibi, Mohanna Hoveyda,
Abstract要約: 複雑な情報には、接続性、解離性、排他性を使った集合合成クエリが含まれる。我々は,QUESTとQUEST+変数について,主要な検索ファミリと推論対象手法のベンチマークを行った。
参考スコア（独自算出の注目度）: 11.891887979573925
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Complex information needs may involve set-compositional queries using conjunction, disjunction, and exclusion, yet it remains unclear whether current retrieval paradigms genuinely satisfy such constraints or exploit `semantic shortcuts'. We conduct a reproducibility study to benchmark major retrieval families and reasoning-targeted methods on QUEST and QUEST+Variants, and introduce LIMIT+, a controlled benchmark where relevance depends on arbitrary attribute predicates and constraint satisfaction, and less on pretrained knowledge. Our findings show that (i) on QUEST, the best neural retrievers achieve an effectiveness that is more than double what can be achieved with BM25 (Recall@100 ${>}$0.41 vs.\ 0.20), but reasoning-targeted methods like ReasonIR and Search-R1 do not outperform general-purpose retrievers uniformly; (ii) on LIMIT+, gains fail to transfer, where the strongest QUEST method collapses from Recall@100${\approx}$0.42 to below 0.02, while classic lexical retrieval gains to ${\sim}$0.96. Lastly, (iii) stratifying by compositional depth reveals a consistent degradation across all methods, where algebraic sparse and lexical methods show more stable performance while dense approaches collapse. We release code and LIMIT+ data generation scripts to support future reproducibility and controlled evaluation.
Abstract（参考訳）: 複雑な情報要求には、接続性、解離性、排他性を用いた集合合成クエリが含まれるが、現在の検索パラダイムがそのような制約を真に満たしているか、あるいは 'semantic shortcuts' を利用するかは定かではない。本稿では,QUEST と QUEST+変数に対する主要な検索ファミリと推論対象の手法をベンチマークし,任意の属性の述語や制約満足度に依存する制御されたベンチマークである LIMIT+ を導入し,事前訓練された知識に依存しない再現性調査を行う。以上の結果から (i)QUESTでは、最高のニューラルレトリバーがBM25 (Recall@100 ${>}$0.41 vs. の2倍以上の効果を達成する。しかし、ReasonIRやSearch-R1のような推論対象のメソッドは、汎用レトリバーを均一に上回らない。 (ii) LIMIT+のゲインは転送に失敗し、最も強いQUESTメソッドはRecall@100${\approx}$0.42から0.02以下に崩壊し、古典的な語彙検索は${\sim}$0.96になる。最後に。 3) 組成深さによる成層化は, 代数スパース法と語彙法がより安定な性能を示す一方で, 密接なアプローチが崩壊するなど, 全ての手法で一貫した劣化を示す。我々は、将来の再現性と制御された評価をサポートするためのコードとLIMIT+データ生成スクリプトをリリースする。

関連論文リスト

Generative Retrieval Overcomes Limitations of Dense Retrieval but Struggles with Identifier Ambiguity [1.7556600627464054]
生成検索は、言語モデルを用いてクエリ文書の関連性を直接予測することで、高密度検索に代わるアプローチとして登場した。簡単な合成データセットを用いた生成的検索手法の長所と短所を示す。
論文参考訳（メタデータ） (2026-04-07T12:08:00Z)
From BM25 to Corrective RAG: Benchmarking Retrieval Strategies for Text-and-Table Documents [0.0]
スパース, 密度, ハイブリッド融合, クロスエンコーダリグレード, クエリ拡張, インデックス拡張, 適応検索にまたがる10の検索戦略をベンチマークした。我々はRecall@k,MRR,nDCGによる検索品質とNumber Matchによるエンドツーエンド生成品質を評価する。
論文参考訳（メタデータ） (2026-04-02T07:53:40Z)
Test-Time Strategies for More Efficient and Accurate Agentic RAG [58.44913384057518]
Retrieval-Augmented Generation (RAG) システムは複雑なマルチホップ問題に直面している。このような手法は、以前に処理された情報の反復的な検索を含む非効率性を導入することができる。本稿では,これらの問題を軽減するために,サーチ-R1パイプラインに対するテスト時間修正について検討する。
論文参考訳（メタデータ） (2026-03-12T19:18:59Z)
DEO: Training-Free Direct Embedding Optimization for Negation-Aware Retrieval [6.8984945362190695]
我々は,否定対応テキストとマルチモーダル検索のためのトレーニング不要な手法であるDirect Embedding Optimization (DEO)を提案する。 DEOはクエリを正および負のコンポーネントに分解し、クエリの埋め込みを対照的な目的で最適化する。追加のトレーニングデータやモデル更新なしで、DeOは、+0.0738 nDCG@10と+0.1028 MAP@100のゲインで、NegConstraintのベースラインを上回っている。これらの結果は,実環境における否定・排他的検索のためのDECの実用性を示すものである。
論文参考訳（メタデータ） (2026-03-10T04:47:15Z)
LLM-guided Hierarchical Retrieval [54.73080745446999]
LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。 LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
論文参考訳（メタデータ） (2025-10-15T07:05:17Z)
Rethinking LLM Evaluation: Can We Evaluate LLMs with 200x Less Data? [82.09573568241724]
EssenceBenchは反復遺伝的アルゴリズム(GA)を利用した粗粒度フレームワーク提案手法は, 再構成誤差が低く, 効率が著しく向上した, 優れた圧縮結果が得られる。 HellaSwagベンチマーク(10Kサンプル)では,25倍少ないサンプルを用いて,全モデルが5%以内の順位を保ち,わずか200倍少ないサンプルを用いて,95%未満のランキング保持シフトを達成している。
論文参考訳（メタデータ） (2025-10-12T05:38:10Z)
Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文参考訳（メタデータ） (2025-09-25T14:05:55Z)
Maximally-Informative Retrieval for State Space Model Generation [59.954191072042526]
テスト時に特定のクエリに対するモデル不確実性を最小化するために、Retrieval In-Context Optimization (RICO)を導入する。文書検索に外部に依存した従来の検索強化生成(RAG)とは異なり,本手法はモデルから直接のフィードバックを利用する。モデル勾配を用いた標準のトップ$kの検索は、最適化手順を近似し、残余損失への接続を提供することを示す。
論文参考訳（メタデータ） (2025-06-13T18:08:54Z)
ConvSearch-R1: Enhancing Query Reformulation for Conversational Search with Reasoning via Reinforcement Learning [48.01143057928348]
本稿では、強化学習を活用して外部リライト管理に依存しないフレームワークであるConvSearch-R1を提案する。新たな2段階のアプローチは,検索誘導型自己蒸留によるコールドスタート問題に対処するために,セルフ駆動型ポリシーウォームアップと,従来型の検索指標における疎度問題に対処する特別に設計されたランクインセンティブ報酬形成機構を備えた検索誘導型強化学習を組み合わせたものである。
論文参考訳（メタデータ） (2025-05-21T17:27:42Z)

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。