論文の概要: AstroRAG -- A Pagerank-Based Retrieval-Augmented Generation Pipeline for Question Answering in Astronomy

• arxiv url: http://arxiv.org/abs/2605.25039v1
• Date: Sun, 24 May 2026 12:34:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.667469
• Title: AstroRAG -- A Pagerank-Based Retrieval-Augmented Generation Pipeline for Question Answering in Astronomy
• Title（参考訳）: AstroRAG -- 天文学における質問応答のためのページランクに基づく検索拡張生成パイプライン
• Authors: Zhifeng Wang, Jason Jingshi Li, Kaihao Zhang, Ramesh Sankaranarayana,
• Abstract要約: 天文学における質問応答に適応したPageRankベースの検索拡張生成(RAG)パイプラインであるAstroRAGを提案する。 RAGは、外部証拠の回答を根拠にして、事実の誤りを軽減します。 RAG強化Mistralはtextbf79.49%の精度と textbf79.49%のF1スコアを達成し、RAG以外の性能をほぼ倍増させた。
• 参考スコア（独自算出の注目度）: 19.798184326652567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) demonstrate strong performance in natural language processing but often generate factual errors when relying solely on parametric knowledge. Retrieval-Augmented Generation (RAG) mitigates these errors by grounding responses in external evidence, yet conventional retrieve-and-dump approaches frequently introduce irrelevant context that degrades answer quality. In this work, we present AstroRAG -- a PageRank-based retrieval-augmented generation (RAG) pipeline adapted for question answering in astronomy. The system performs token-aware chunking and per-instance, ephemeral indexing in Elasticsearch, then executes a two-stage retrieval: (i) Maximal Marginal Relevance (MMR) to obtain a small, diverse candidate set and (ii) a reader-driven PageRank (PR) re-ranking on a similarity graph to identify a compact, mutually supportive context under a strict token budget. Our design is training-free, privacy-preserving, and reproducible, as each instance is processed through transient indexing to prevent cross-task leakage. We evaluate the pipeline on the AstroQA benchmark for astronomy QA, and demonstrate competitive performance across all difficulty levels. In particular, the RAG-enhanced Mistral-7B achieves \textbf{79.49\% accuracy} and \textbf{79.49\% F1-score}, nearly doubling the performance of its non-RAG counterpart. These results highlight the effectiveness of disciplined retrieval and refinement in boosting domain-specific reasoning, establishing a robust foundation for extending RAG to other scientific fields.
• Abstract（参考訳）: 大規模言語モデル(LLM)は自然言語処理において高い性能を示すが、パラメトリック知識のみに依存する場合、しばしば事実エラーが発生する。 Retrieval-Augmented Generation (RAG) は、外部の証拠に応答を根拠にこれらのエラーを軽減しているが、従来の検索とダンプのアプローチでは、応答品質を劣化させる無関係なコンテキストを頻繁に導入している。 本稿では,PageRankをベースとした検索拡張生成(RAG)パイプラインであるAstroRAGについて述べる。 このシステムはElasticsearchでトークンを意識したチャンキングとインスタンスごとのエフェメラルインデックスを実行し、2段階の検索を実行します。 i)MMR(Maximal Marginal Relevance)は、小型で多様な候補を得るための手段であり、 (2) 読者主導のPageRank(PR)は、厳格なトークン予算の下で、コンパクトで相互に支援されたコンテキストを特定するために、類似性グラフに再ランク付けする。 当社の設計はトレーニングフリー、プライバシ保護、再現可能で、各インスタンスは一時的なインデックス付けによって処理され、クロスタスクのリークを防止する。 天文学QAのためのAstroQAベンチマークでパイプラインを評価し,全ての難易度で競合性能を実証した。 特に、RAGで強化されたMistral-7Bは、その非RAGの性能をほぼ倍にし、 \textbf{79.49\%精度} と \textbf{79.49\% F1-score} を達成する。 これらの結果は、ドメイン固有の推論を促進するための規律付き検索と改善の有効性を強調し、RAGを他の科学分野に拡張するための堅牢な基盤を確立した。

関連論文リスト

• Generating Leakage-Free Benchmarks for Robust RAG Evaluation [21.380693848036547]
  Retrieval-augmented Generation (RAG) は、大規模な言語モデル(LLM)を外部知識で拡張するために広く使われている。 RAG性能をテストするために設計された多くのベンチマークデータセットは、LLMのパラメトリックメモリから既に答えられる多くの質問で構成されている。 半合成ベンチマーク生成パイプラインであるSeedRGを導入し、知識リークを軽減し、ベンチマーク老化の問題に対処する。
  論文  参考訳（メタデータ） (2026-05-09T09:48:50Z)
• Reading Between the Timelines: RAG for Answering Diachronic Questions [8.969698902720799]
  我々は、時間論理を注入するためにRAGパイプラインを根本的に再設計する新しいフレームワークを提案する。 提案手法は回答精度を大幅に向上し,標準RAG実装を13%から27%上回る結果となった。 この研究はRAGシステムに対する検証された経路を提供し、複雑な現実世界の質問に必要とされるニュアンス付き進化分析を行うことができる。
  論文  参考訳（メタデータ） (2025-07-21T05:19:41Z)
• Attributing Response to Context: A Jensen-Shannon Divergence Driven Mechanistic Study of Context Attribution in Retrieval-Augmented Generation [52.3707788779464]
  我々は、コンテキストに対する属性応答(ARC-JSD)のための新しいJensen-Shannon Divergence駆動方式を提案する。 ARC-JSDは、追加の微調整、勾配計算、サロゲートモデリングなしで、重要な文脈文の効率的かつ正確な識別を可能にする。 TyDi QA, Hotpot QA, Musique など,様々なスケールの命令調整 LLM を用いたRAG ベンチマークの評価により,精度が向上し,計算効率が向上した。
  論文  参考訳（メタデータ） (2025-05-22T09:04:03Z)
• Accelerating Adaptive Retrieval Augmented Generation via Instruction-Driven Representation Reduction of Retrieval Overlaps [16.84310001807895]
  本稿では,A-RAG法に適用可能なモデルに依存しないアプローチを提案する。 具体的には、キャッシュアクセスと並列生成を使用して、それぞれプリフィルとデコードステージを高速化する。
  論文  参考訳（メタデータ） (2025-05-19T05:39:38Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• RQ-RAG: Learning to Refine Queries for Retrieval Augmented Generation [42.82192656794179]
  大きな言語モデル(LLM)は優れた能力を示すが、不正確なあるいは幻覚反応を引き起こす傾向がある。 この制限は、膨大な事前トレーニングデータセットに依存することに起因するため、目に見えないシナリオでのエラーの影響を受けやすい。 Retrieval-Augmented Generation (RAG) は、外部の関連文書を応答生成プロセスに組み込むことによって、この問題に対処する。
  論文  参考訳（メタデータ） (2024-03-31T08:58:54Z)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)
• ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and Gradient Accumulation [106.04777600352743]
  微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。 シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。 メモリフレンドリーだが、計算コストも低い。 RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T06:34:07Z)

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。