論文の概要: On the impact of retrieved content representations in RAG Pipelines

• arxiv url: http://arxiv.org/abs/2605.30790v1
• Date: Fri, 29 May 2026 03:26:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.366043
• Title: On the impact of retrieved content representations in RAG Pipelines
• Title（参考訳）: RAGパイプラインにおける検索内容表現の影響について
• Abstract要約: 消費者が人間よりも大きな言語モデル(LLM)であるときに、どのように検索されたコンテンツを表現すべきかは、あまり理解されていない。 近年の研究では、検索された内容の変換と、生成に影響を与える特性の同定が提案されている。 我々は、選択、要約、再構成にまたがる13の変換に対して、元のベースラインを比較した。 応答保持が生成精度の主要な決定要因であることが判明した。
• 参考スコア（独自算出の注目度）: 33.306933250440174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) supplements a language model's input with retrieved documents, yet most RAG pipelines inherit retrieval components designed for human readers. How retrieved content should be represented when the consumer is a large language model (LLM) rather than a human is less well understood. Recent work has proposed transformations of retrieved content and identified properties that affect generation, but each examines a single transformation or property in isolation, leaving open which features of a document's representation matter most. We address this with a controlled comparison: holding retrieval fixed, we vary only the representation of retrieved documents, comparing an original baseline against thirteen transformations spanning selection, summarisation, and reformulation, in query-dependent and query-independent variants. Across these fourteen representations we measure question-answering accuracy for four generators, and for each representation we also measure answer retention: whether a known answer-bearing document still supports its answer after transformation. We find that answer retention is the primary determinant of generator accuracy; notably, when retention is high, a representation's wording, structure, length, and query-dependence have limited effect. This suggests that accuracy gains attributed to specific mechanisms in prior work may be partly explained by how well those mechanisms preserve answer-bearing content, an attribution that cannot be settled without controlling for retention.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG)は、検索された文書で言語モデルの入力を補完するが、ほとんどのRAGパイプラインは、人間の読者のために設計された検索コンポーネントを継承する。 消費者が人間よりも大きな言語モデル(LLM)であるときに、どのように検索されたコンテンツを表現すべきかは、あまり理解されていない。 近年の研究では、検索された内容の変換と、生成に影響を与える特性の特定が提案されているが、それぞれが独立して単一の変換や特性を調べ、文書の表現の特徴が最も重要である。 我々は、検索を固定し、検索した文書の表現だけを変え、元のベースラインをクエリ依存およびクエリ非依存の変種における選択、要約、修正にまたがる13の変換と比較する。 これら14の表現全体で、4つのジェネレータに対する質問応答精度を計測し、各表現についても回答保持度を計測する。 応答保持が生成精度の主要な決定要因であることに気付き、特に保持率が高い場合、表現の単語化、構造、長さ、クエリ依存性は限定的な効果を持つ。 このことは、先行作業における特定のメカニズムに起因する精度の上昇が、これらのメカニズムがいかにして解答内容を保存するかによって部分的に説明できることを示唆している。

関連論文リスト

• How retriever redundancy and diversity impact RAG effectiveness [33.306933250440174]
  RAGでは、レトリバーは通常、クエリに対する個々の関連性によって文書をランク付けするが、ジェネレータは、検索したドキュメント全体に基づいて回答を生成する。 本稿では,検索した文書集合の冗長性と多様性が,回答の正しさにどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2026-08-14T04:55:31Z)
• R$^3$AG: Retriever Routing for Retrieval-Augmented Generation [59.47703698994575]
  R$3$AGは、検索機能を2つの学習可能なディメンション、すなわち検索品質と生成ユーティリティに分解する。 R$3$AGは、最高の個々のレトリバーと最先端の静的ルーティングメソッドの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-22T06:51:20Z)
• Hybrid Retrieval-Augmented Generation for Robust Multilingual Document Question Answering [0.3376269351435395]
  大規模なデジタル化のイニシアチブは、多くの歴史新聞を解き放った。 雑音の多い歴史文書に対する質問応答に特化して設計された多言語検索型拡張生成パイプラインを開発し,評価する。
  論文  参考訳（メタデータ） (2025-12-14T13:57:05Z)
• Query Decomposition for RAG: Balancing Exploration-Exploitation [83.79639293409802]
  RAGシステムは複雑なユーザ要求に対処し、それらをサブクエリに分解し、それぞれに関連する可能性のあるドキュメントを取得し、それを集約して回答を生成する。 クエリの分解とドキュメントの検索をエクスプロレーション探索設定で定式化し、一度に1つのドキュメントを検索すると、与えられたサブクエリの有用性についての信念が構築される。 我々の主な発見は、ランク情報と人的判断を用いた文書関連性の推定により、文書レベルの精度が35%向上し、α-nDCGが15%向上し、長文生成の下流タスクの性能が向上するということである。
  論文  参考訳（メタデータ） (2025-10-21T13:37:11Z)
• Cognitive-Aligned Document Selection for Retrieval-augmented Generation [2.9060210098040855]
  本稿では,クエリを動的に更新し,高品質で信頼性の高い検索文書をフィルタリングするGGatrievalを提案する。 ユーザクエリを構文コンポーネントにパースし、検索したドキュメントときめ細かいグラウンドアライメントを実行する。 提案手法では,検索した文書をフィルタリングするための新しい基準を導入し,ターゲット情報を取得するための人的戦略を密にエミュレートする。
  論文  参考訳（メタデータ） (2025-02-17T13:00:15Z)
• Corrective Retrieval Augmented Generation [36.04062963574603]
  Retrieval-augmented Generation (RAG) は、検索された文書の関連性に大きく依存しており、検索が失敗した場合のモデルがどのように振る舞うかについての懸念を提起する。 生成の堅牢性を改善するために,CRAG(Corrective Retrieval Augmented Generation)を提案する。 CRAGはプラグアンドプレイであり、様々なRAGベースのアプローチとシームレスに結合できる。
  論文  参考訳（メタデータ） (2024-01-29T04:36:39Z)
• Dense X Retrieval: What Retrieval Granularity Should We Use? [56.90827473115201]
  しばしば見過ごされる設計選択は、コーパスが索引付けされる検索単位である。 本稿では,高密度検索のための新しい検索ユニット,命題を提案する。 実験により、提案のような細粒度単位によるコーパスのインデックス付けは、検索タスクにおける通過レベル単位を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-12-11T18:57:35Z)
• Generation-Augmented Retrieval for Open-domain Question Answering [134.27768711201202]
  GAR(Generation-Augmented Retrieval)は、オープンドメインの質問に答える機能である。 クエリーに対して多様なコンテキストを生成することは、結果の融合が常により良い検索精度をもたらすので有益であることを示す。 GARは、抽出読取装置を備えた場合、抽出QA設定の下で、自然質問およびトリビアQAデータセットの最先端性能を達成する。
  論文  参考訳（メタデータ） (2020-09-17T23:08:01Z)
• Fine-grained Sentiment Controlled Text Generation [28.20006438705556]
  制御されたテキスト生成技術は、属性独立コンテンツを保持しながら、特定の属性を規制することを目的としている。 本稿では,情報に富んだ絡み合い表現と属性固有の非絡み合い表現の両方をキャプチャする階層型フレームワークDE-VAEを提案する。
  論文  参考訳（メタデータ） (2020-06-17T14:17:58Z)
• Recurrent Chunking Mechanisms for Long-Text Machine Reading Comprehension [59.80926970481975]
  機械読解(MRC)を長文で研究する。 モデルは長い文書と質問を入力として取り、回答として文書からテキストを抽出する。 我々は、モデルに強化学習を通じてより柔軟な方法でチャンクを学習させることを提案する。
  論文  参考訳（メタデータ） (2020-05-16T18:08:58Z)

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。