論文の概要: ADORE: Iterative Query Expansion with Retrieval-Grounded Relevance Feedback

• arxiv url: http://arxiv.org/abs/2606.13905v1
• Date: Thu, 11 Jun 2026 20:52:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.648679
• Title: ADORE: Iterative Query Expansion with Retrieval-Grounded Relevance Feedback
• Title（参考訳）: ADORE: Retrieval-Grounded Relevance Feedbackによる反復的なクエリ拡張
• Authors: Amin Bigdeli, Negar Arabzadeh, Radin Hamidi Rad, Sajad Ebrahimi, Charles L. A. Clarke, Ebrahim Bagheri,
• Abstract要約: 効率的な拡張には,単一パス生成や未検証イテレーションだけでなく,検索地上からのフィードバックが必要である,と我々は主張する。 我々は、検索結果を次の拡張のためのフィードバックに変換する反復的なフレームワークであるADOREを紹介する。 TREC Deep Learning、BEIR、BRIGHTの他、ADOREは強いクエリ拡張ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 22.297275934519345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based query expansion improves retrieval by enriching the original query with additional context. Yet most methods remain generation-driven, producing plausible pseudo-documents or expansions without checking how the target corpus responds. This can introduce retrieval drift, amplify misleading vocabulary, or miss terms that distinguish relevant from non-relevant documents. We argue that effective expansion requires retrieval-grounded feedback, not just single-pass generation or unverified iteration. We introduce ADORE (ADapt, Observe, Relevance Evaluate), an iterative framework that turns retrieval outcomes into feedback for the next expansion. At each round, an LLM generates pseudo-passages, a retriever exposes the corpus response, and a relevance assessor evaluates retrieved documents against the original query. These judgments identify what to reinforce, what remains undercovered, and what to suppress. Across TREC Deep Learning, BEIR, and BRIGHT, ADORE consistently outperforms strong query expansion baselines with notable improvements across nearly all evaluation settings, improving average nDCG@10 by 24.5% over BM25 and 3.6% over the strongest prior query expansion method on BEIR, and by 122.9% over BM25 and 9.2% over the best query expansion baseline on BRIGHT. Our code and data are publicly available.
• Abstract（参考訳）: LLMベースのクエリ拡張は、元のクエリを追加コンテキストで強化することで、検索を改善する。 しかし、ほとんどの方法は生成駆動であり、ターゲットのコーパスがどのように反応するかを確認することなく、もっともらしい擬似文書や拡張を生成する。 これは、検索のドリフトを導入したり、誤解を招く語彙を増幅したり、非関連文書と区別する用語を見逃したりすることができる。 効率的な拡張には,単一パス生成や未検証イテレーションだけでなく,検索地上からのフィードバックが必要である,と我々は主張する。 ADORE(ADapt, Observe, Relevance Evaluate)は,検索結果を次の拡張へのフィードバックに変換する反復的なフレームワークである。 各ラウンドにおいて、LLMは擬似パスを生成し、検索者はコーパス応答を公開し、関連性評価器は、検索した文書を元のクエリに対して評価する。 これらの判断は、強化するもの、未発見のもの、抑制するものを識別する。 TREC Deep Learning、BEIR、BRIGHT全体で、ADOREは、ほぼすべての評価設定で顕著な改善を行い、平均的なnDCG@10がBM25で24.5%、BEIRで最強のクエリ拡張メソッドで3.6%、BM25で最高のクエリ拡張ベースラインで122.9%、BRIGHTで9.2%向上している。 私たちのコードとデータは公開されています。

関連論文リスト

• Superintelligent Retrieval Agent: The Next Frontier of Information Retrieval [25.731213365755234]
  textitSuperIntelligent Retrieval Agent (SIRA)を紹介する。 SIRAは、複数ラウンド探索探索を単一のコーパス識別検索アクションに圧縮することができる。 解釈可能で、トレーニング不要で、効率的でありながら、より高価なマルチラウンドサーチを超えることができる。
  論文  参考訳（メタデータ） (2026-05-07T17:54:29Z)
• 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)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• Aligned Query Expansion: Efficient Query Expansion for Information Retrieval through LLM Alignment [4.21943400140261]
  Aligned Query Expansion (AQE) は、オープンドメイン質問応答における経路探索のためのクエリ拡張を強化する新しいアプローチである。 AQEはドメイン内およびドメイン外の両方でクエリ拡張のためのベースラインモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-15T07:11:29Z)
• InsertRank: LLMs can reason over BM25 scores to Improve Listwise Reranking [3.1125398490785217]
  InsertRankはLLMベースのリランカで、リランク中のBM25スコアなどの語彙信号を活用して、検索性能をさらに向上する。 Deepseek-R1では、InsertRankはBRIGHTベンチマークで37.5点、R2MEDベンチマークで51.1点を獲得し、以前の手法を上回りました。
  論文  参考訳（メタデータ） (2025-06-17T01:04:45Z)
• ThinkQE: Query Expansion via an Evolving Thinking Process [18.170948352149292]
  ThinkQEは、より深く包括的なセマンティック探索を促進するテスト時クエリ拡張フレームワークである。 ThinkQEはトレーニング集約型リトリーバーやリランカーなど,従来のアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-06-10T21:41:01Z)
• Exp4Fuse: A Rank Fusion Framework for Enhanced Sparse Retrieval using Large Language Model-based Query Expansion [0.0]
  大規模言語モデル(LLM)は、クエリ拡張のための仮説文書を生成する可能性を示している。 スパースレトリバーの性能を向上させる新しい融合ランキングフレームワークExp4Fuseを導入する。
  論文  参考訳（メタデータ） (2025-06-05T08:44:34Z)
• When do Generative Query and Document Expansions Fail? A Comprehensive Study Across Methods, Retrievers, and Datasets [69.28733312110566]
  LMに基づく拡張の最初の包括的解析を行う。 抽出器の性能と拡張による利得との間には強い負の相関関係があることが判明した。 より弱いモデルに拡張を使用するか、ターゲットデータセットがフォーマットのトレーニングコーパスと大きく異なる場合。
  論文  参考訳（メタデータ） (2023-09-15T17:05:43Z)

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。