論文の概要: A Systematic Evaluation of Retrieval-Augmented Generation and Language Models for Space Operations

• arxiv url: http://arxiv.org/abs/2605.27444v1
• Date: Sat, 23 May 2026 15:47:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.282732
• Title: A Systematic Evaluation of Retrieval-Augmented Generation and Language Models for Space Operations
• Title（参考訳）: 宇宙運用のための検索型生成モデルと言語モデルの体系的評価
• Authors: Ruben Belo, Marta Guimarães, Cláudia Soares,
• Abstract要約: 本稿では,RAGパイプラインの性能を系統的に評価する。 各種検索戦略,埋め込みモデル,LCMの回答を比較し,情報精度,妥当性,信頼性に与える影響を評価する。 以上の結果から,RAGパイプラインは知識アクセスを大幅に向上し,不確実性を低減し,複雑な空間操作における意思決定を支援することが示唆された。
• 参考スコア（独自算出の注目度）: 1.7842332554022688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid expansion of space activities has led to an unprecedented accumulation of technical documentation, operational guidelines, and scientific literature, creating challenges for timely decision-making in space operations. Effective management in space operations requires tools capable of efficiently processing vast and heterogeneous information sources. This paper systematically evaluates the performance of Retrieval Augmented Generation (RAG) pipelines, combining Large Language Models (LLMs) with information retrieval techniques for extracting and synthesizing actionable knowledge from domain-specific documents. We compare various retrieval strategies, embedding models, and LLM answers to assess their impact on information accuracy, relevance, and reliability. Our results demonstrate that RAG pipelines can significantly enhance knowledge access, reduce uncertainty, and support decision-making in complex space operations.
• Abstract（参考訳）: 宇宙活動の急速な拡大により、技術文書、運用ガイドライン、科学文献が前例のないほど蓄積され、宇宙活動におけるタイムリーな意思決定の課題を生み出した。 宇宙運用における効果的な管理には、広大で異質な情報ソースを効率的に処理できるツールが必要である。 本稿では,Large Language Models (LLMs) と情報検索技術を組み合わせて,ドメイン固有文書から実行可能な知識を抽出・合成し,RAGパイプラインの性能を体系的に評価する。 各種検索戦略,埋め込みモデル,LCMの回答を比較し,情報精度,妥当性,信頼性に与える影響を評価する。 以上の結果から,RAGパイプラインは知識アクセスを大幅に向上させ,不確実性を低減し,複雑な宇宙運用における意思決定を支援することが示唆された。

関連論文リスト

• Efficient Strategy for Improving Large Language Model (LLM) Capabilities [0.0]
  大規模言語モデル(LLM)は、人工知能と自然言語処理の分野でマイルストーンとなっている。 大規模なデプロイメントは、重要な計算リソースの必要性によって、依然として制限されている。 この研究は、データ処理と慎重なデータ選択手法を探索し組み合わせるためのベースモデルから始めることを提案する。
  論文  参考訳（メタデータ） (2025-08-06T04:08:26Z)
• Retrieval Augmented Generation based Large Language Models for Causality Mining [3.711112570761809]
  因果検出とマイニングは情報検索において重要な課題である。 本稿では、因果検出および抽出タスクを強化するために、複数のRAGに基づく動的プロンプトスキームを提案する。
  論文  参考訳（メタデータ） (2025-05-29T18:51:00Z)
• StructRAG: Boosting Knowledge Intensive Reasoning of LLMs via Inference-time Hybrid Information Structurization [94.31508613367296]
  Retrieval-augmented Generation(RAG)は、大規模言語モデル(LLM)を効果的に強化する鍵となる手段である。 本稿では,手前のタスクに対して最適な構造型を識別し,元の文書をこの構造化形式に再構成し,その結果に基づいて回答を推測するStructRAGを提案する。 実験の結果、StructRAGは最先端のパフォーマンスを実現し、特に挑戦的なシナリオに優れていた。
  論文  参考訳（メタデータ） (2024-10-11T13:52:44Z)
• EVOLvE: Evaluating and Optimizing LLMs For In-Context Exploration [76.66831821738927]
  大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。 多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。 最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T17:54:03Z)
• A Universal Prompting Strategy for Extracting Process Model Information from Natural Language Text using Large Language Models [0.8899670429041453]
  生成型大規模言語モデル(LLM)は,広範囲なデータを必要とすることなく,非常に高品質なNLPタスクを解くことができることを示す。 新たなプロンプト戦略に基づいて,LLMが最先端の機械学習手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-26T06:39:35Z)
• WESE: Weak Exploration to Strong Exploitation for LLM Agents [95.6720931773781]
  本稿では,オープンワールド対話型タスクの解法において,LLMエージェントの強化を目的としたWeak Exploration to Strong Exploitation (WESE)を提案する。 WESEは、探究と搾取のプロセスを分離し、費用対効果の弱いエージェントを用いて世界的知識の探索を行う。 次に、獲得した知識を格納し、タスク関連知識を抽出する知識グラフベースの戦略を導入する。
  論文  参考訳（メタデータ） (2024-04-11T03:31:54Z)
• The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
  LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。 本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
  論文  参考訳（メタデータ） (2023-12-01T16:00:25Z)
• A Study on the Implementation of Generative AI Services Using an Enterprise Data-Based LLM Application Architecture [0.0]
  本研究では,Large Language Models (LLM) アプリケーションアーキテクチャを用いて生成AIサービスを実装する手法を提案する。 この研究は、不十分なデータの問題を軽減するための戦略を練り上げ、カスタマイズされたソリューションを提供している。 この研究の重要な貢献は、検索型拡張世代(RAG)モデルの開発である。
  論文  参考訳（メタデータ） (2023-09-03T07:03:17Z)

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。