論文の概要: Retriever Portfolios: A Principled Approach to Adaptive RAG

• arxiv url: http://arxiv.org/abs/2605.31176v1
• Date: Fri, 29 May 2026 11:43:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.576395
• Title: Retriever Portfolios: A Principled Approach to Adaptive RAG
• Title（参考訳）: Retriever Portfolios: Adaptive RAGへの原則的アプローチ
• Abstract要約: そこで本研究では,対象クエリ分布の異なる領域をカバーするために,候補の大規模プールから,少数の多種多様なサブセットを自動的に選択する手法を提案する。 複数のQAベンチマークを通じて、学習したポートフォリオとルータパイプラインは、一貫してシングルリレーバとナイーブなマルチリレーバベースラインを上回っています。
• 参考スコア（独自算出の注目度）: 30.668406304237404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) systems typically rely on a single retriever and a single set of hyperparameters, despite facing highly heterogeneous queries that range from simple factoid questions to complex multi-hop reasoning. We propose a method that automatically selects a small, diverse subset of retrievers (a portfolio) from a large pool of candidates, to cover different regions of the target query distribution. We formalize this setting via an expected best-of-$k$ objective over the query distribution and show that it admits an efficient portfolio construction algorithm with near-optimal guarantees. Across multiple QA benchmarks, our learned portfolios and router pipeline consistently outperform single-retriever and naive multi-retriever baselines on both retrieval metrics and answer quality. In addition, compared to inference-time hyperparameter tuning approaches, fixed portfolios enable parallel retrieval and LLM calls, achieving comparable (and sometimes better) accuracy with substantially lower latency and token cost.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) システムは、単純なファクトイドの質問から複雑なマルチホップの推論まで、非常に異質なクエリに直面しているにもかかわらず、1つのレトリバーと1つのハイパーパラメータに依存している。 そこで本研究では,対象クエリ分布の異なる領域をカバーするために,多数の候補から検索対象の小さなサブセット(ポートフォリオ)を自動的に選択する手法を提案する。 この設定を,クエリ分布に対して期待値の目標である$k$で定式化し,ほぼ最適の保証を持つ効率的なポートフォリオ構築アルゴリズムが可能であることを示す。 複数のQAベンチマークを通じて、学習したポートフォリオとルータパイプラインは、検索指標と回答品質の両方で、シングルレトリバーとナイーブなマルチレトリバーベースラインを一貫して上回ります。 さらに、推論時ハイパーパラメータチューニングアプローチと比較して、固定されたポートフォリオは並列検索とLLM呼び出しを可能にし、レイテンシとトークンコストを大幅に低くして、同等の(時としてより良い)精度を実現する。

関連論文リスト

• Pre-retrieval Query Clustering for Adaptive Top-k Document Retrieval in RAG Systems [7.440012812118169]
  RAGシステムは通常、固定数の文書を基底生成に検索する。 単純なクエリは過剰検索(ノイズとコストを追加する)に悩まされ、複雑なクエリは未検索である。 本稿では,クエリ適応検索のための実用的,汎用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-11T19:57:12Z)
• Can QPP Choose the Right Query Variant? Evaluating Query Variant Selection for RAG Pipelines [48.34524144147475]
  LLM(Large Language Models)は、現代の検索やRAG(Retrieval-Augmented Generation)パイプラインにおいて、クエリ再構成を至るところで実現している。 本稿では、アドホック検索とエンドツーエンドRAGをまたいで、クエリ性能予測(QPP)を異種選択のメカニズムとして検討する。
  論文  参考訳（メタデータ） (2026-04-24T15:36:40Z)
• 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 Deep Searcher: Integrating Parallel and Sequential Search Reasoning [57.78245296980122]
  本稿では,自然質問から自動生成されるデータセットであるHDS-QA(Hybrid Deep Search QA)を紹介する。 並列化可能な独立サブクエリ(同時に実行可能)と逐次依存サブクエリ(ステップバイステップの解決を必要とする)を組み合わせたハイブリッドホップ質問を含む。 モデルの名称はHybridDeepSearcherで、複数のベンチマークで最先端のベースラインを上回っています。
  論文  参考訳（メタデータ） (2025-08-26T15:15:17Z)
• LTRR: Learning To Rank Retrievers for LLMs [53.285436927963865]
  ルーティングベースのRAGシステムは、単一リトリバーベースのシステムよりも優れていることを示す。 パフォーマンス向上は、特にAnswer Correctness(AC)メトリックでトレーニングされたモデルで顕著である。 SIGIR 2025 LiveRAG チャレンジの一環として,提案システムを用いて提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-06-16T17:53:18Z)
• Beyond Prompting: An Efficient Embedding Framework for Open-Domain Question Answering [22.121850498642008]
  大規模言語モデルは、最近、新しいフロンティアにオープンドメインの質問に答えた。 一般的なレトリバーリーダーパイプラインは、しばしば複数のプロンプトレベル命令に依存する。 EmbQAは,レシーバとリーダの両方を強化した埋め込みレベルのフレームワークである。
  論文  参考訳（メタデータ） (2025-03-03T14:41:35Z)
• Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
  Retrieval-Augmented Generationは、大規模な言語モデル幻覚を緩和するための強力なアプローチとして登場した。 既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。 本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:56:20Z)
• Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity [59.57065228857247]
  Retrieval-augmented Large Language Models (LLMs) は、質問回答(QA)のようなタスクにおける応答精度を高めるための有望なアプローチとして登場した。 本稿では,クエリの複雑さに基づいて,LLMの最適戦略を動的に選択できる適応型QAフレームワークを提案する。 オープンドメインのQAデータセットを用いて、複数のクエリの複雑さを網羅し、QAシステムの全体的な効率性と精度を高めることを示す。
  論文  参考訳（メタデータ） (2024-03-21T13:52:30Z)

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。