論文の概要: RAISE: RAG Design as an Architecture Search Problem

• arxiv url: http://arxiv.org/abs/2605.30029v1
• Date: Thu, 28 May 2026 14:52:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.403564
• Title: RAISE: RAG Design as an Architecture Search Problem
• Title（参考訳）: RAISE:アーキテクチャ検索問題としてのRAG設計
• Authors: Zhen Chen, Yibing Liu, Weihao Xie, Yu Liang, Peilin Chen, Shiqi Wang,
• Abstract要約: 本稿では,RAGアーキテクチャ検索のためのフレームワークであるRAG Intelligence Search Engine (RAISE)を紹介する。 RAISEは、標準化された検索空間と予算の下でRAGパイプラインの最適化手法を評価する。 実験の結果,最適化性能はタスクに依存していることがわかった。
• 参考スコア（独自算出の注目度）: 16.431271020860443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) systems expose numerous design choices spanning query rewriting, chunking, retrieval depth, reranking, and context compression. In practice, these choices are often configured through heuristics, hindering systematic evaluation and reproducibility across settings. We argue that this challenge is best formulated as RAG architecture search. To support controlled and reproducible study of this problem, we introduce the RAG Intelligence Search Engine (RAISE), a comprehensive framework and benchmark for RAG hyperparameter optimization, which evaluates optimization methods for RAG pipelines under standardized search spaces and budgets. RAISE implements 13 search algorithms and evaluates them across seven public text and multimodal datasets using three random seeds. Our experiments show that optimization performance is highly task-dependent: methods that perform strongly on one dataset may not generalize consistently across others, cautioning against interpreting aggregate rankings as evidence of universally superior strategies. RAISE provides a common experimental substrate for fair, reproducible, and systematic research on RAG hyperparameter optimization.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) システムは、クエリ書き換え、チャンキング、検索深度、再ランク付け、コンテキスト圧縮にまたがる多くの設計選択を公開している。 実際には、これらの選択はしばしばヒューリスティックスによって構成され、体系的な評価と設定間の再現性を妨げている。 我々は、この課題がRAGアーキテクチャサーチとして最もよく定式化されていると論じる。 本稿では,RAGハイパーパラメータ最適化のための包括的なフレームワークとベンチマークであるRAGインテリジェンス検索エンジン(RAISE)を紹介し,標準化された検索空間と予算の下でRAGパイプラインの最適化手法を評価する。 RAISEは13の検索アルゴリズムを実装し、7つの公開テキストおよびマルチモーダルデータセットをランダムな3つのシードを用いて評価する。 実験の結果,最適化性能はタスク依存に強く依存していることが判明した。一方のデータセットに強く作用する手法は,他のデータセットに対して一貫した一般化を行なわない可能性があり,総合的な評価を,普遍的に優れた戦略の証拠として解釈することに対して警告する。 RAISEは、RAGハイパーパラメータ最適化に関する公正で再現性があり、体系的な研究のための共通の実験基板を提供する。

関連論文リスト

• RAGRouter-Bench: A Dataset and Benchmark for Adaptive RAG Routing [37.7721677767453]
  適応型RAGルーティング用に設計された最初のデータセットとベンチマークであるRAG-Benchを紹介する。 RAG-Benchは、クエリコーパスの互換性の観点から検索を再考し、5つの代表的なRAGパラダイムを体系的評価のために標準化する。 DeepSeek-V3 と LLaMA-3.1-8B による実験は、単一のRAGパラダイムが普遍的に最適であることを示した。
  論文  参考訳（メタデータ） (2026-01-30T20:38:11Z)
• When should I search more: Adaptive Complex Query Optimization with Reinforcement Learning [26.489185170468062]
  適応複雑クエリ最適化(ACQO)と呼ばれる新しいRLフレームワークを提案する。 我々のフレームワークは、いつ、どのように検索プロセスを拡張するかを適応的に決定するように設計されている。 ACQOは3つの複雑なクエリベンチマークで最先端のパフォーマンスを達成し、確立されたベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-01-29T03:16:53Z)
• RAG-Stack: Co-Optimizing RAG Quality and Performance From the Vector Database Perspective [3.385836913732549]
  Retrieval-augmented Generation (RAG) は、ベクトルデータベースの最も顕著な応用の1つである。 RAGシステムにおける品質-性能共最適化のための3ピラーブループリントであるRAG-Stackを提案する。
  論文  参考訳（メタデータ） (2025-10-23T07:35:19Z)
• Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
  Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。 逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。 この調査は両鎖を統一的推論-検索の観点から合成する。
  論文  参考訳（メタデータ） (2025-07-13T03:29:41Z)
• An Analysis of Hyper-Parameter Optimization Methods for Retrieval Augmented Generation [6.98773220458697]
  本稿では,5つのドメインから5つのデータセットにまたがる5つのHPOアルゴリズムに関する総合的研究について述べる。 本研究は,3つの評価指標を最適化対象として,現在検討されている最大規模のHPO検索空間について検討する。 結果から,RAG HPOは無作為にもランダム検索でも効率的に行うことができ,全データセットのRAG性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2025-05-06T11:47:52Z)
• FlashRAG: A Modular Toolkit for Efficient Retrieval-Augmented Generation Research [70.6584488911715]
  検索増強世代(RAG)は、かなりの研究関心を集めている。 既存のRAGツールキットは、しばしば重くて柔軟であり、研究者のカスタマイズのニーズを満たすことができない。 我々のツールキットは16の高度なRAGメソッドを実装し、38のベンチマークデータセットを収集し、整理した。
  論文  参考訳（メタデータ） (2024-05-22T12:12:40Z)
• RAGGED: Towards Informed Design of Scalable and Stable RAG Systems [51.171355532527365]
  Retrieval-augmented Generation (RAG)は、外部知識を統合することで言語モデルを強化する。 RAGGEDは、RAGシステムを体系的に評価するためのフレームワークである。
  論文  参考訳（メタデータ） (2024-03-14T02:26:31Z)
• CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of Large Language Models [49.16989035566899]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の能力を高める技術である。 本稿では,大規模かつ包括的なベンチマークを構築し,様々なRAGアプリケーションシナリオにおけるRAGシステムのすべてのコンポーネントを評価する。
  論文  参考訳（メタデータ） (2024-01-30T14:25:32Z)

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。