論文の概要: Improving Retrieval-Augmented Generation without Taxonomy-based Error Categorization
- arxiv url: http://arxiv.org/abs/2605.18772v1
- Date: Thu, 16 Apr 2026 19:53:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 12:34:33.932788
- Title: Improving Retrieval-Augmented Generation without Taxonomy-based Error Categorization
- Title（参考訳）: 分類基準による誤り分類を伴わない検索改良
- Authors: Gongbo Zhang, Yifan Peng, Chunhua Weng,
- Abstract要約: Retrieval-Augmented Generation (RAG) は、外部知識を基礎として、大規模言語モデル(LLM)出力の事実精度を向上させる。
近年のエージェントRAGシステムは、このパラダイムを拡張して、モデル応答を評価し、出力を反復的に洗練する。
本稿では,RAG出力の欠陥を微粒な誤りや明確な批判監督に頼ることなく,誤りを除去するアクションプランに直接マッピングする応答-アクション学習パラダイムであるRePAIRを提案する。
- 参考スコア（独自算出の注目度）: 17.117396375545457
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Retrieval-Augmented Generation (RAG) improves the factual accuracy of large language model (LLM) outputs by grounding generation in external knowledge. Recent agentic RAG systems extend this paradigm with critical agents to evaluate model responses and iteratively refine outputs. However, most prior work implicitly assumes reliable critic feedback and focuses on planning strategies, while paying limited attention to the robustness of the error-correction process itself, which can be impacted by misaligned error categories and ineffective or incorrect corrections. Here, we hypothesize that RAG performance can be improved without explicit error categorization. We propose RePAIR, a response-action learning paradigm that directly maps flawed RAG outputs to error-mitigating action plans without relying on fine-grained error taxonomies and explicit critic supervision. Across multiple benchmarks, RePAIR consistently improves agentic RAG performance.
- Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、外部知識を基礎として、大規模言語モデル(LLM)出力の事実精度を向上させる。
近年のエージェントRAGシステムは、このパラダイムを拡張して、モデル応答を評価し、出力を反復的に洗練する。
しかしながら、ほとんどの先行研究は、信頼性のある批判的フィードバックを仮定し、計画戦略に焦点をあてる一方で、誤り訂正プロセス自体の堅牢性に限定的な注意を払っている。
そこで我々は,RAG性能を明示的な誤り分類なしに改善できるという仮説を立てた。
本稿では,RAG出力の欠陥を微粒な誤り分類と明確な批判監督に頼ることなく,エラー軽減行動計画に直接マッピングする応答-アクション学習パラダイムであるRePAIRを提案する。
複数のベンチマークを通じて、RePAIRはエージェントRAGパフォーマンスを継続的に改善する。
関連論文リスト
- Learning from Failures: Correction-Oriented Policy Optimization with Verifiable Rewards [73.44333771806282]
RLVR(Reinforcement Learning with Verifiable Rewards)は,大規模言語モデルの推論能力向上に有効なパラダイムとして登場した。
本稿では,RLVRの簡易かつ効果的な拡張であるCIPO(Correction-Oriented Policy Optimization)を提案する。
CIPOは学習効率を向上し、モデルが自身のエラーを修正する能力を明示的に強化する。
論文 参考訳（メタデータ） (2026-05-14T08:22:21Z) - Doctor-RAG: Failure-Aware Repair for Agentic Retrieval-Augmented Generation [23.961760006898157]
エージェント検索・拡張生成(Agentic RAG)は,質問応答や複雑な知識推論のパラダイムとして広く採用されている。
既存のアプローチでは、診断分析で停止するか、検索推論パイプライン全体を再実行することで、このような障害に対処するのが一般的である。
本稿では,Agenic RAGの異常を明示的エラーローカライゼーションとプレフィックス再利用によって修正する統合診断・修復フレームワークであるDoctor-RAGを提案する。
論文 参考訳（メタデータ） (2026-04-01T13:13:27Z) - Decoding the Critique Mechanism in Large Reasoning Models [50.821607345799386]
大規模推論モデル(LRM)は、バックトラックと自己検証メカニズムを示し、中間ステップを修正して正しい解に到達できるようにする。
中間推論ステップに算術ミスを挿入することにより,現在のLEMがエラーからどのように回復するかを検討する。
チェーン・オブ・シークレットを伝播する誤りにもかかわらず、モデルは依然として正しい最終解に達している。
論文 参考訳（メタデータ） (2026-03-17T10:03:30Z) - Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。
RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。
批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。
AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
論文 参考訳（メタデータ） (2025-04-21T04:56:47Z) - Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。
本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。
我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
論文 参考訳（メタデータ） (2024-09-24T14:52:14Z)
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。