論文の概要: Superintelligent Retrieval Agent: The Next Frontier of Information Retrieval

• arxiv url: http://arxiv.org/abs/2605.06647v1
• Date: Thu, 07 May 2026 17:54:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:12.06866
• Title: Superintelligent Retrieval Agent: The Next Frontier of Information Retrieval
• Title（参考訳）: 超知能検索エージェント:情報検索の次のフロンティア
• Authors: Zeyu Yang, Qi Ma, Jason Chen, Anshumali Shrivastava,
• Abstract要約: textitSuperIntelligent Retrieval Agent (SIRA)を紹介する。 SIRAは、複数ラウンド探索探索を単一のコーパス識別検索アクションに圧縮することができる。 解釈可能で、トレーニング不要で、効率的でありながら、より高価なマルチラウンドサーチを超えることができる。
• 参考スコア（独自算出の注目度）: 25.731213365755234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented agents are increasingly the interface to large organizational knowledge bases, yet most still treat retrieval as a black box: they issue exploratory queries, inspect returned snippets, and iteratively reformulate until useful evidence emerges. This approach resembles how a newcomer searches an unfamiliar database rather than how an expert navigates it with strong priors about terminology and likely evidence, and results in unnecessary retrieval rounds, increased latency, and poor recall. We introduce \textit{SuperIntelligent Retrieval Agent} (SIRA), which defines \emph{superintelligence} in retrieval as the ability to compress multi-round exploratory search into a single corpus-discriminative retrieval action. SIRA does not merely ask what terms are relevant to the query; it asks which terms are likely to separate the desired evidence from corpus-level confusers. On the corpus side, an LLM enriches each document offline with missing search vocabulary; on the query side, it predicts evidence vocabulary omitted by the query; and document-frequency statistics as a tool call to filter proposed terms that are absent, overly common, or unlikely to create retrieval margin. The final retrieval step is a single weighted BM25 call combining the original query with the validated expansion. Across ten BEIR benchmarks and downstream question-answering tasks, SIRA achieves the significantly superior performance outperforming dense retrievers and state-of-the-art multi-round agentic baselines, demonstrating that one well-formed lexical query, guided by LLM cognition and lightweight corpus statistics, can exceed substantially more expensive multi-round search while remaining interpretable, training-free, and efficient.
• Abstract（参考訳）: 検索可能なエージェントは、大規模な組織知識ベースへのインターフェースとしてますます多くなっているが、ほとんどのエージェントは、検索をブラックボックスとして扱い、探索的なクエリを発行し、返却スニペットを検査し、有用な証拠が現れるまで反復的に修正する。 このアプローチは、専門家が専門用語や潜在的証拠に関する強い事前知識でそれをナビゲートし、不要な検索ラウンド、レイテンシの増加、リコールの低さをもたらす、という方法よりも、新参者が慣れていないデータベースを検索する方法に似ています。 本稿では,検索における「emph{superintelligence}」を定義する「textit{SuperIntelligent Retrieval Agent} (SIRA)」を紹介する。 SIRAは単にクエリに関連する用語を尋ねるだけでなく、どの用語が目的の証拠をコーパスレベルのコンフューザーから切り離す可能性があるかを問う。 コーパス側では、LLMは各文書をオフラインで強化し、検索語彙が不足している;クエリ側では、クエリによって省略されたエビデンスを予測;そしてドキュメント頻度統計は、提案された用語が欠落している、過度に一般的で、検索マージンを生成できない、というツールコールである。 最後の検索ステップは、元のクエリと検証された拡張を組み合わせた単一の重み付きBM25コールである。 10個のBEIRベンチマークと下流問合せタスクにおいて、SIRAは、高密度検索と最先端のマルチラウンドエージェントベースラインよりもはるかに優れたパフォーマンスを実現し、LLM認識と軽量コーパス統計によって導かれる1つの十分に整形された語彙クエリが、解釈可能、トレーニング不要、効率を保ちながら、はるかに高価なマルチラウンド検索を超えることを実証した。

関連論文リスト

• Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
  エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。 このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。 IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-05-03T19:13:11Z)
• LITTA: Late-Interaction and Test-Time Alignment for Visually-Grounded Multimodal Retrieval [0.0]
  LITTAは、エビデンスページ検索のためのクエリ拡張中心の検索フレームワークである。 ユーザクエリが与えられた後、LITTAは大きな言語モデルを使用して補完的なクエリ変種を生成する。 拡張されたクエリからの候補は、エビデンスカバレッジを改善するために、相互のランクフュージョンを通じて集約される。
  論文  参考訳（メタデータ） (2026-03-10T13:25:39Z)
• Reasoning-Augmented Representations for Multimodal Retrieval [27.4146940988752]
  Universal Multimodal Retrieval (UMR) は、テキストと視覚を横断する任意の検索を求める。 画像が“サイレント”なエビデンスを持ち、クエリがキーセマンティクスを暗黙的に残す場合、単一の埋め込みパスは理由と圧縮の両方でなければならない。 本稿では、検索前の推論を外部化することで、これらの役割を分離するデータ中心のフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-06T19:01:54Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• Chain of Retrieval: Multi-Aspect Iterative Search Expansion and Post-Order Search Aggregation for Full Paper Retrieval [68.71038700559195]
  The Chain of Retrieval (COR) is a novel repeaterative framework for full-paper search。 SCIBENCH(SCIBENCH)は、クエリと候補のための全論文の完全なコンテキストとセグメント化されたコンテキストを提供するベンチマークである。
  論文  参考訳（メタデータ） (2025-07-14T08:41:53Z)
• Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking [58.69615583599489]
  Deliberate Thinking based Retriever (Debater) は、段階的な思考プロセスを導入することで文書表現を強化する新しいアプローチである。 Debaterは、いくつかのベンチマークで既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-02-18T15:56:34Z)

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。