論文の概要: When More Documents Hurt RAG: Mitigating Vector Search Dilution with Domain-Scoped, Model-Agnostic Retrieval

• arxiv url: http://arxiv.org/abs/2606.11350v1
• Date: Tue, 09 Jun 2026 18:26:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.14019
• Title: When More Documents Hurt RAG: Mitigating Vector Search Dilution with Domain-Scoped, Model-Agnostic Retrieval
• Title（参考訳）: より多くのドキュメントがHut RAGに: ドメインスコープでモデルに依存しない検索でベクトル探索の希釈を緩和する
• Authors: Nabaraj Subedi, Ahmed Abdelaty, Shivanand Venkanna Sheshappanavar,
• Abstract要約: Retrieval-augmentedジェネレーションは、大規模なドキュメントコレクションにスケールすると劣化する。 Top-k検索は意味的に似ているが、文脈的に正しくないチャンクを返す。 本稿では,MASDR-RAG(Multi-Agent Scoped Domain Retrieval for RAG)を提案する。
• 参考スコア（独自算出の注目度）: 2.8753422388037486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation degrades when scaled to large, heterogeneous document collections, where dense similarity loses discriminative power, and top-k retrieval increasingly returns semantically similar but contextually incorrect chunks. We refer to this failure mode as vector search dilution. Even when using hybrid dense+sparse retrieval, we observed this firsthand in a deployed Wyoming Department of Transportation corpus, where scaling from 54 to 1,128 documents (88,907 chunks) reduced accuracy from 75% to below 40%. To address this dilution, we propose MASDR-RAG ( Multi-Agent Scoped Domain Retrieval for RAG) and evaluate it on 200 expert-validated queries across five LLM backbones, six corpora, and two index stacks. Our results indicate that domain scoping using organizational metadata is the key fix, significantly improving P@10 from 0.77 to 0.86 ($p < 0.05$). Furthermore, our investigation of multi-agent orchestration revealed that a high degree of configuration dependence results --creating what we call the precision-faithfulness paradox. Based on these varied outcomes, our practical recommendation is simple: scope first, then perform a single synthesis call, reserving full multi-agent orchestration for genuinely multi-domain corpora paired with native-tool-call backbones. Code and Data will be made public upon acceptance.
• Abstract（参考訳）: Retrieval-augmented Generationは、大規模で異質なドキュメントコレクションにスケールすると劣化するが、そこでは密接な類似性が識別力を失い、トップk検索は意味的に似ているが、文脈的に正しくないチャンクを返す。 この障害モードをベクトル探索希釈と呼ぶ。 ハイブリッド密度+スパース検索においても,54から1,128の文書(88,907チャンク)のスケーリングによって,75%から40%以下まで精度が低下したWyoming Department of Transportation corpusにおいて,これを観察した。 そこで本研究では,MASDR-RAG(Multi-Agent Scoped Domain Retrieval for RAG)を提案する。 以上の結果から, 組織メタデータを用いたドメインスコーピングが鍵であり, P@10が0.77から0.86(p < 0.05$)に大幅に改善されたことが示唆された。 さらに,マルチエージェントオーケストレーションに関する調査の結果,構成依存度の高い結果が,精度-信頼度パラドックス(precision-faithfulness paradox)と呼ばれるものを生み出していることが判明した。 これらの様々な結果に基づいて、我々の実践的な推奨事項は単純である: スコープファースト、次に単一の合成コールを実行し、真にマルチドメインコーパスとネイティブツールコールバックボーンをペア付けした完全なマルチエージェントオーケストレーションを保ちます。 コードとデータは受理時に公開される。

関連論文リスト

• Benchmarking Retrieval Strategies for Biomedical Retrieval-Augmented Generation: A Controlled Empirical Study [0.0]
  本稿では,生物医学的質問応答RAGパイプラインにおける5つの検索戦略の体系的比較について述べる。 すべての戦略は固定生成モデル(GPT-4o-mini)、共通ベクトルストア(ChromaDB)、OpenAIのテキスト-em-3-小埋め込みを共有している。 BioASQベンチマークの前処理部分集合から抽出した250の質問応答対について評価を行った。
  論文  参考訳（メタデータ） (2026-05-04T12:21:46Z)
• Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
  エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。 このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。 IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-05-03T19:13:11Z)
• Structured Linked Data as a Memory Layer for Agent-Orchestrated Retrieval [0.0]
  構造化されたリンクデータ、具体的には.orgマークアップと参照可能なエンティティページは、標準RAGシステムとエージェントRAGシステムの両方において、検索精度と応答品質を向上させることができるかを検討する。 検索にはVertex AI Vector Search 2.0を用いて4つのドメイン(教育、法律、旅行、eコマース)で制御された実験を行う。
  論文  参考訳（メタデータ） (2026-03-11T12:12:51Z)
• Domain-Adaptive and Scalable Dense Retrieval for Content-Based Recommendation [0.0]
  本稿では,Amazon Reviews 2023 (Fashion) サブセットを微調整した2-towerバイエンコーダをベースとした,スケーラブルな高密度検索システムを提案する。 我々は、レビューテキスト(クエリプロキシとして)とアイテムメタデータ(ポジティブドキュメントとして)からトレーニングペアを構築し、500トークンの最大シーケンス長で50,000のサンプルインタラクションを微調整する。 826,402のカタログ項目に対するレビュー・ツー・タイトルのベンチマークでは、Recall@10が0.26(BM25)から0.66に改善されました。
  論文  参考訳（メタデータ） (2026-01-31T20:58:23Z)
• RAGSmith: A Framework for Finding the Optimal Composition of Retrieval-Augmented Generation Methods Across Datasets [0.0]
  RAGSmithは、RAGを9つのテクニックファミリと46,080の実行可能なパイプライン構成上のエンドツーエンドアーキテクチャ検索として扱うフレームワークである。 我々は、ウィキペディア由来の6つのドメイン(Law, Finance, Medicine, Defense Industry, Computer Science)について、それぞれ100の質問を設計、解釈、長期回答のタイプで評価した。 RAGSmithは平均で+3.8%(ドメイン全体で+1.2%から+6.9%)、検索で+12.5%、世代で+7.5%である。
  論文  参考訳（メタデータ） (2025-11-03T09:36:27Z)
• Towards Global Retrieval Augmented Generation: A Benchmark for Corpus-Level Reasoning [50.27838512822097]
  我々は,グローバルRAG機能を評価するために設計された最初のベンチマークであるGlobalQAを紹介する。 我々は,チャンクレベルの検索によって構造的コヒーレンスを保存するマルチツール協調フレームワークであるGlobalRAGを提案する。 Qwen2.5-14Bモデルでは、GlobalRAGは最強のベースラインである1.51 F1と比較して6.63 F1を達成した。
  論文  参考訳（メタデータ） (2025-10-30T07:29:14Z)
• Cluster-based Adaptive Retrieval: Dynamic Context Selection for RAG Applications [8.946586077722822]
  クラスタベースのAdaptive Retrieval (CAR) は、順序付きクエリ文書類似度距離のクラスタリングパターンを分析して、最適な文書数を決定するアルゴリズムである。 CARは、常に最適な検索深度を選択し、最高TESスコアを達成し、固定されたトップkベースラインを全て上回る。
  論文  参考訳（メタデータ） (2025-10-02T05:11:12Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• SPRINT: A Unified Toolkit for Evaluating and Demystifying Zero-shot Neural Sparse Retrieval [92.27387459751309]
  ニューラルスパース検索を評価するための統一PythonツールキットであるSPRINTを提供する。 我々は、よく認識されているベンチマークBEIRにおいて、強く再現可能なゼロショットスパース検索ベースラインを確立する。 SPLADEv2は、元のクエリとドキュメントの外で、ほとんどのトークンでスパース表現を生成する。
  論文  参考訳（メタデータ） (2023-07-19T22:48:02Z)
• UnifieR: A Unified Retriever for Large-Scale Retrieval [84.61239936314597]
  大規模な検索は、クエリを与えられた巨大なコレクションから関連ドキュメントをリコールすることである。 事前学習型言語モデル(PLM)に基づく最近の検索手法は,高密度ベクターあるいはレキシコンに基づくパラダイムに大別することができる。 本論文では,高密度ベクトルとレキシコンに基づく検索を2つの表現能力を持つ1つのモデルで統合する学習フレームワークUnifieRを提案する。
  論文  参考訳（メタデータ） (2022-05-23T11:01:59Z)

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。