論文の概要: CAMI: Cost-Aware Agent-Guided Multi-Indexing for Semantic Retrieval
- arxiv url: http://arxiv.org/abs/2606.28365v1
- Date: Sun, 14 Jun 2026 16:59:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-05 17:01:29.59797
- Title: CAMI: Cost-Aware Agent-Guided Multi-Indexing for Semantic Retrieval
- Title（参考訳）: CAMI: セマンティック検索のためのコスト対応エージェントガイド型マルチインデックス
- Abstract要約: CAMI(Cost-Aware Multi-Indexing)は、マルチインデックス構築を予算付き多目的ポートフォリオ選択問題として形式化するフレームワークである。
その結果,厳格な予算制約の下で,ハイリコールポートフォリオを系統的に分離することが判明した。
CAMIは、これらのハイリコールポートフォリオを、ランダムな検索ベースラインに比べて最大5倍の予算で体系的に識別することができる。
- 参考スコア（独自算出の注目度）: 7.07006462273528
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: RAG ingestion pipelines frequently augment search corpus index with semantic enrichment indices (e.g., synthetic queries or summaries generated from corpus chunks) that are subsequently queried alongside the base index to improve retrieval via better alignment between document representations and user intent. While these supplementary representations substantially improve retrieval quality, they introduce a computational bottleneck: the configuration space of enrichment types and generator models is combinatorial, and the cost of exhaustive index-time evaluation scales linearly with corpus size. We introduce CAMI (Cost-Aware Multi-Indexing), a framework that formalizes multi-index construction as a budgeted, multi-objective portfolio selection problem. CAMI targets the upstream decision of which enrichment views to generate and materialize before the retrieval backend is applied. CAMI incorporates three primary mechanisms: (i) an agentic discovery phase that proposes corpus-specific representation templates; (ii) an atomic-unit search procedure that evaluates individual enrichment-model pairs and recombines them via fidelity-local closure to identify synergistic portfolios; and (iii) a confidence-aware promotion schedule that prunes unpromising configurations early, decoupling optimization spend from total corpus size. We evaluate CAMI across diverse retrieval corpora. Our findings reveal that the framework systematically isolates high-recall portfolios under strict budget constraints, outperforming standard content-only baselines in challenging settings by up to 9.4% recall@10. Further, CAMI is able to systematically identify these high-recall portfolios using up to 5x less budget compared to random search baselines, making our approach practical in real production scenarios.
- Abstract（参考訳）: RAGの取り込みパイプラインは、セマンティックエンリッチメントインデックス(例えば、コーパスチャンクから生成された合成クエリや要約)で検索コーパスインデックスを増大させ、その後、ベースインデックスと共にクエリされ、ドキュメント表現とユーザ意図の整合性の改善による検索を改善する。
これらの補足表現は検索品質を大幅に向上させるが、エンリッチメント型とジェネレータモデルの構成空間は組合せ的であり、指数時間評価のコストはコーパスサイズと線形にスケールする。
CAMI(Cost-Aware Multi-Indexing)は,マルチインデックス構築を予算化された多目的ポートフォリオ選択問題として形式化するフレームワークである。
CAMIは、検索バックエンドが適用される前にリッチメントビューを生成し、実体化する上流の判断をターゲットにしている。
CAMIには3つの主要なメカニズムがある。
i) コーパス固有の表現テンプレートを提案するエージェント発見フェーズ
二 個別のエンリッチメントモデル対を評価し、それらを忠実度局所閉包を介して再結合して相乗的ポートフォリオを識別する原子単位探索方法
三 構成を早期に未成熟にし、最適化を全コーパスサイズから切り離す、信頼を意識したプロモーションスケジュール。
多様な検索コーパスにおけるCAMIの評価を行った。
その結果、このフレームワークは厳格な予算制約の下でハイリコールポートフォリオを体系的に分離し、標準のコンテンツのみのベースラインを9.4%のリコール@10で上回っていることがわかった。
さらに、CAMIは、ランダムな検索ベースラインに比べて最大5倍の予算で、これらのハイリコールポートフォリオを体系的に識別できるため、実運用シナリオにおいて、我々のアプローチは実用的である。
関連論文リスト
- Agent-UCT: Upper Confidence Bounds Applied to Trees for Agentic Workflow Optimization with Cost-Awareness [11.231092673447735]
本稿では,木に応用したエージェントベースのコスト・アウェア・アッパー・バウンドを提案する。これは,2部目のプレフィックス・リユース・グラフから得られた再利用・アウェア・レギュラー化項を用いて,UCTを拡張した木探索アルゴリズムである。
Agent-UCTは、以前実体化された設定プレフィックスを利用したブランチに対する選択をバイアスし、効果的な探索を維持しながら冗長な実行を減らす。
WTB(Workflow Test Bench)は、決定論的リプレイ、コンテンツ適応可能なキャッシング、トランザクション一貫性を提供し、中間状態が一度実体化され、検索計算全体で再利用されることを保証する。
論文 参考訳（メタデータ） (2026-07-27T08:41:18Z) - Beyond Fixed Depths and Widths: Optimizing Textual Decoding Tries in LLM-based Generative Recommendation [59.20704286413859]
本稿では,テキスト用語IDとその基盤となるデコードトリエを共設計する新しいフレームワークを提案する。
BONSAIは最先端のベースラインよりも21.6%向上している。
論文 参考訳（メタデータ） (2026-07-18T04:31:02Z) - Beyond Semantic IDs: Encoding Business-Value Ranking into Document Identifiers for Generative Retrieval [28.485766948414206]
Generative Retrieval (GR) は、シーケンシャル・ツー・シーケンス生成タスクとして検索を定式化し、各ドキュメントにドキュメント識別子(DocID)を割り当て、自動回帰復号による検索を行う。
離散表現学習に基づく既存のスキームは、固有の衝突問題に悩まされる。
本稿では、DocIDをセマンティッククラスタリングとビジネス価値ランキングに分離し、衝突のない識別子を生成するCRID(Cluster-Ranked Identifier)を提案する。
論文 参考訳（メタデータ） (2026-07-13T10:57:20Z) - Closing the Indexing-Decoding Gap in Multimodal Generative Retrieval via Prefix Retention Optimization [68.48718919047127]
マルチモーダル生成検索式は、複数のモーダル検索を離散識別子生成として定義し、外部埋め込みよりも明示的な類似性探索を不要とする。
既存の手法では、残差量子化によって識別子を構築し、トリエ制約ビームサーチでデコードする。
この組み合わせは、インデックス化とデコーディングのギャップを導入している: 識別子学習の目的は、再構成や対照的な損失を含むが、デコーディング中にプレフィックスの識別性を明示的に強制しない。
1)プレフィックスの格付け蒸留は、リストワイドロスを用いた事前量子化埋め込みによって誘導されるプレフィックスと整合する; (ii)語彙スケジューリングは、コードブックを増大させる。
論文 参考訳（メタデータ） (2026-06-08T09:15:47Z) - Aligning Large Language Models with Searcher Preferences [26.974618053554394]
オープンな生成検索のための最初の大規模言語モデル(LLM)であるSearchLLMを紹介する。
ボトムライン制約を分離する階層型多次元報酬システムの設計を行う。
オフライン評価とオンラインA/Bテストでは、生成品質とユーザエンゲージメントが改善されている。
論文 参考訳（メタデータ） (2026-03-11T06:44:30Z) - MC-Search: Evaluating and Enhancing Multimodal Agentic Search with Structured Long Reasoning Chains [79.14584837105808]
MC-Searchは5つの代表的推論構造にまたがる長いステップワイドなアノテート推論チェーンを持つエージェントMM-RAGの最初のベンチマークである。
回答精度以外にも、MC-Searchは、品質、段階的検索、計画精度を推論するための新しいプロセスレベルメトリクスを導入している。
エージェントMM-RAGパイプラインを統一的に開発することにより、6つのMLLMをベンチマークし、過剰検索や過度検索、モダリティミスアライメント計画などの体系的な問題を明らかにする。
論文 参考訳（メタデータ） (2026-03-01T02:25:57Z) - Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。
Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。
既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
論文 参考訳（メタデータ） (2025-09-30T22:19:44Z) - OneSearch: A Preliminary Exploration of the Unified End-to-End Generative Framework for E-commerce Search [43.94443394870866]
OneSearchは、eコマース検索のための最初の産業向けエンドツーエンド生成フレームワークである。
OneSearchは運用費を75.40%削減し、Model FLOPsの利用を3.26%から27.32%に改善した。
このシステムはKuaishouの複数の検索シナリオにまたがって展開され、数百万のユーザーにサービスを提供している。
論文 参考訳（メタデータ） (2025-09-03T11:50:04Z) - Constrained Auto-Regressive Decoding Constrains Generative Retrieval [71.71161220261655]
ジェネレーティブ検索は、従来の検索インデックスデータ構造を1つの大規模ニューラルネットワークに置き換えようとしている。
本稿では,制約とビームサーチという2つの本質的な視点から,制約付き自己回帰生成の固有の制約について検討する。
論文 参考訳（メタデータ） (2025-04-14T06:54:49Z) - Faster Learned Sparse Retrieval with Block-Max Pruning [11.080810272211906]
本稿では,学習されたスパース検索環境に出現するインデックスに適した,革新的な動的プルーニング戦略であるBlock-Max Pruning(BMP)を紹介する。
BMPは既存の動的プルーニング戦略を大幅に上回り、安全な検索コンテキストにおいて非並列効率を提供する。
論文 参考訳（メタデータ） (2024-05-02T09:26:30Z) - How Does Generative Retrieval Scale to Millions of Passages? [68.98628807288972]
各種コーパス尺度における生成的検索手法の実証的研究を行った。
我々は8.8Mパスのコーパスで数百万のパスに生成検索をスケールし、モデルサイズを最大11Bパラメータまで評価する。
生成的検索は、小さなコーパス上の最先端のデュアルエンコーダと競合するが、数百万のパスへのスケーリングは依然として重要で未解決の課題である。
論文 参考訳（メタデータ） (2023-05-19T17:33:38Z)
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。