論文の概要: CAR: Query-Guided Confidence-Aware Reranking for Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2605.04495v1
• Date: Wed, 06 May 2026 04:51:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.648874
• Title: CAR: Query-Guided Confidence-Aware Reranking for Retrieval-Augmented Generation
• Title（参考訳）: CAR: Retrieval-Augmented Generationのクエリガイドによる信頼度向上
• Authors: Zhipeng Song, Yizhi Zhou, Xiangyu Kong, Jiulong Jiao, Xuezhou Ye, Chunqi Gao, Xueqing Shi, Yuhang Zhou, Heng Qi,
• Abstract要約: 本稿では,文書有用性信号としてジェネレータの信頼性変化を利用する,クエリ誘導型,トレーニング不要,プラグアンドプレイリグレードフレームワークを提案する。 車はスパースと密集したレトリバー間でNDCG@5を継続的に改善する。 ランキングは、下流世代F1の改良と強く相関し、Spearman rho = 0.964を達成している。
• 参考スコア（独自算出の注目度）: 26.57845149504473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) depends on document ranking to provide useful evidence for generation, but conventional reranking methods mainly optimize query-document relevance rather than generation usefulness. A relevant document may still introduce noise, while a lower-ranked document may better reduce the generator's uncertainty. We propose CAR (Confidence-Aware Reranking), a query-guided, training-free, and plug-and-play reranking framework that uses generator confidence change as a document usefulness signal. CAR estimates confidence through the semantic consistency of multiple sampled answers under query-only and query-document conditions. Documents that significantly increase confidence are promoted, those that decrease confidence are demoted, and uncertain cases preserve the baseline order, while a query-level gate avoids unnecessary intervention on already confident queries. Experiments on four BEIR datasets show that CAR consistently improves NDCG@5 across sparse and dense retrievers, LLM-based and supervised rerankers, and four LLM backbones. Notably, CAR improves the YesNo reranker by 25.4 percent on average under Contriever retrieval, and its ranking gains strongly correlate with downstream generation F1 improvements, achieving Spearman rho = 0.964.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、生成に有用な証拠を提供するために文書ランキングに依存するが、従来のリグレード手法は、生成の有用性よりも、主にクエリドキュメントの妥当性を最適化する。 関連する文書は依然としてノイズを発生させるが、低いランクの文書はジェネレータの不確実性を低下させる可能性がある。 CAR(Confidence-Aware Re ranking)は,文書の有用性信号としてジェネレータの信頼性変化を利用する,クエリ誘導,トレーニング不要,プラグアンドプレイのリグレードフレームワークである。 CARは、クエリ専用およびクエリドキュメント条件下での複数のサンプル回答のセマンティック一貫性を通じて信頼性を推定する。 信頼性を著しく向上するドキュメントが推進され、信頼性を低下させるドキュメントが削除され、不確実なケースがベースラインの順序を保ち、クエリレベルのゲートは、すでに信頼性の高いクエリに対する不要な介入を避ける。 4つのBEIRデータセットの実験により、CARはスパースとシークエンスレトリバー、LLMベースおよび教師付きリランカー、および4つのLCMバックボーンで一貫してNDCG@5を改善することが示された。 特に、CARは、平均25.4%のYesNoリランカーをコントリバー検索で改善し、そのランキングは下流世代F1の改善と強く相関し、Spearman rho = 0.964となる。

関連論文リスト

• FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
  時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。 レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。 我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
  論文  参考訳（メタデータ） (2026-04-14T17:04:25Z)
• Optimizing RAG Rerankers with LLM Feedback via Reinforcement Learning [47.963236269307735]
  リランカはRetrieval-Augmented Generationの検索結果の精錬において重要な役割を果たす。 現在のリグレードモデルは通常、ダウンストリーム生成プロセスから切り離された静的な人間アノテートされた関連ラベルに独立して最適化される。 本稿では,LLMの生成品質と直接整合する強化学習フレームワークであるReRanking Preference Optimization(RRPO)を紹介する。
  論文  参考訳（メタデータ） (2026-04-02T14:19:47Z)
• Verifiable Reasoning for LLM-based Generative Recommendation [106.7765000777685]
  大規模言語モデル(LLM)における推論は、最近、生成的レコメンデーションの強化に強い可能性を示している。 本稿では,信頼性の高いフィードバックを提供するために,検証と推論をインターリーブする新しいTextbftextitreason-verify-recommendパラダイムを提案する。 4つの実世界のデータセットの実験は、VRecが効率を損なうことなく、推奨の有効性とスケーラビリティを大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-03-08T16:55:45Z)
• Rethinking the Reranker: Boundary-Aware Evidence Selection for Robust Retrieval-Augmented Generation [64.09110141948693]
  Retrieval-Augmented Generation (RAG) システムは、現実的な検索ノイズの下でも不安定である。 そこで我々は,BAR-RAGを提案する。このBAR-RAGは,発電機のGoldilocks Zoneをターゲットとした境界認識型エビデンスセレクタである。 Bar-RAGはノイズ検索において、エンドツーエンドのパフォーマンスを一貫して改善する。
  論文  参考訳（メタデータ） (2026-02-03T16:08:23Z)
• Enhancing Retrieval-Augmented Generation with Two-Stage Retrieval: FlashRank Reranking and Query Expansion [0.0]
  RAGは、大きな言語モデル(LLM)とレトリバーを結合して、外部のエビデンスで生成された応答を接地する。 LLM駆動型クエリ拡張を統合して候補リコールを改善する2段階検索パイプラインを提案する。 FlashRankは、トークン予算の下で最適な証拠のサブセットを動的に選択する高速な限界効用リランカである。
  論文  参考訳（メタデータ） (2025-10-17T15:08:17Z)
• Beyond Sequential Reranking: Reranker-Guided Search Improves Reasoning Intensive Retrieval [8.57583804155738]
  本稿では,Reranker-Guided-Search(RGS)を提案する。 本手法では, 近似近傍アルゴリズムにより生成した近接グラフのグリーディ探索を用いる。 実験の結果、複数のベンチマークで大幅に性能が向上した。
  論文  参考訳（メタデータ） (2025-09-08T19:24:09Z)
• Improving Document Retrieval Coherence for Semantically Equivalent Queries [63.97649988164166]
  同じ文書を検索する際のモデルのコヒーレンスを改善する訓練DRにおける多段階ランク付け損失のバリエーションを提案する。 この損失は、多様だがセマンティックな等価なクエリのために検索されたトップkランクのドキュメント間の不一致を罰する。
  論文  参考訳（メタデータ） (2025-08-11T13:34:59Z)
• Optimizing Query Generation for Enhanced Document Retrieval in RAG [53.10369742545479]
  大規模言語モデル(LLM)は様々な言語タスクに優れるが、しばしば誤った情報を生成する。 Retrieval-Augmented Generation (RAG) は、正確な応答に文書検索を使用することによってこれを緩和することを目的としている。
  論文  参考訳（メタデータ） (2024-07-17T05:50:32Z)
• Corrective Retrieval Augmented Generation [36.04062963574603]
  Retrieval-augmented Generation (RAG) は、検索された文書の関連性に大きく依存しており、検索が失敗した場合のモデルがどのように振る舞うかについての懸念を提起する。 生成の堅牢性を改善するために,CRAG(Corrective Retrieval Augmented Generation)を提案する。 CRAGはプラグアンドプレイであり、様々なRAGベースのアプローチとシームレスに結合できる。
  論文  参考訳（メタデータ） (2024-01-29T04:36:39Z)

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。