論文の概要: Beyond the Reranker: Do RAG Retrieval Enhancements Help Once a Strong Reranker Is Present?
- arxiv url: http://arxiv.org/abs/2606.28367v1
- Date: Sun, 14 Jun 2026 20:50:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-05 17:01:29.598597
- Title: Beyond the Reranker: Do RAG Retrieval Enhancements Help Once a Strong Reranker Is Present?
- Title（参考訳）: RAGの検索機能強化は、強いリランカが現れたら役に立つか?
- Abstract要約: クエリ拡張,階層的およびクロスドキュメント要約,グラフベースの拡張,クエリごとのルーティング,ランク融合,修正的再検索について検討した。
パイプラインの品質の大部分を、強力なクロスエンコーダリランカが占めていることを示す。
残りの再ランク法とプール拡張法は、階層的な要約、グラフ展開、ルーティング、ランク融合など、一般的な用途では、再ランカが存在すれば信頼できる利得は得られない。
- 参考スコア（独自算出の注目度）: 3.77661940418406
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Retrieval-augmented generation (RAG) is routinely extended with methods meant to improve retrieval: query expansion, hierarchical and cross-document summarization, graph-based expansion, per-query routing, rank fusion, and corrective re-retrieval. The benefits reported for these methods come almost exclusively from homogeneous corpora, predominantly Wikipedia prose. Whether they hold on the mixed-format collections common in practice, where code, markdown, tables, scientific PDFs, and prose are interleaved within one corpus, has not been measured. To study this directly, we build \textbf{HetDocQA}, a heterogeneous benchmark with \emph{chunker-agnostic} span-overlap relevance labels and collection-disjoint splits, and pair it with MuSiQue and QASPER as homogeneous controls. We evaluate eight methods on a shared backbone, with bootstrap confidence intervals and multiple-comparison correction. A strong cross-encoder reranker accounts for most of the pipeline's quality; beyond it, only two methods yield reliable gains: query expansion and SSCC. SSCC, a per-source calibrated corrector introduced here, sets a separate acceptance threshold for each score source and helps only on heterogeneous data. The remaining reranking and pool-expansion methods in common use, among them hierarchical summarization, graph expansion, routing, and rank fusion, give no reliable gain once that reranker is present.
- Abstract（参考訳）: Retrieval-augmented Generation (RAG) は、クエリ拡張、階層的およびクロスドキュメントの要約、グラフベースの拡張、クエリごとのルーティング、ランク融合、修正再検索など、検索を改善する方法によって、定期的に拡張される。
これらの手法について報告された利点は、主にウィキペディアの散文である同質のコーパスからのみ得られる。
コード、マークダウン、テーブル、科学PDF、散文が1つのコーパス内でインターリーブされているような、実際に一般的な混合形式コレクションを保持するかどうかは、測定されていない。
これを直接研究するために, \textbf{HetDocQA} というヘテロジニアスなベンチマークを構築した。
我々は,ブートストラップの信頼区間と多重比較補正を併用した,共有バックボーン上での8つの手法の評価を行った。
強いクロスエンコーダのリランカはパイプラインの品質の大部分を占めており、それ以外はクエリ拡張とSSCCという2つのメソッドのみが信頼性の高いゲインを得る。
ここで導入されたソースごとの校正補正であるSSCCは、スコアソースごとに個別の受け入れしきい値を設定し、異種データのみを支援する。
残りの再ランク法とプール拡張法は、階層的な要約、グラフの展開、ルーティング、ランク融合など、一般的な用途では、再ランカが存在すれば信頼できる利得は得られない。
関連論文リスト
- GRAND-HC: Graph-Refined Author Name Disambiguation [58.02589236670033]
From-Scratch Name Disambiguation (SND) は、曖昧な名前を共有する論文を、異なる現実世界の著者のクラスタにまとめる。
完全なエンドツーエンドSNDフレームワークである textbfGRAND-HC を提案する。
論文 参考訳（メタデータ） (2026-08-24T08:21:28Z) - From Association to Causation: Improving Retrieval Precision of Retrieval-Augmented Generation via Causal Relations and an Attention Mechanism [23.0538048682894]
我々は,ライヒェンバッハの共通原因原理に基づく因果グラフを用いて,終端検索段階をモデル化する。
検索された文書はコライダー(A−>d−B)であるため、検索自体がクエリとBの関連経路を開く。
知識内容内の因果関係をモデル化する因果関係強化RAG変種とは異なり、我々のグラフは検索プロセス自体の因果構造をモデル化する。
論文 参考訳（メタデータ） (2026-08-22T00:31:06Z) - Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。
14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
論文 参考訳（メタデータ） (2026-07-08T02:50:02Z) - Rethinking RAG in Long Videos: What to Retrieve and How to Use It? [56.38819694781005]
V-RAGBenchは$langle$query, evidence chunk, answer$rangle$三重項のベンチマークで、検索と生成を忠実に分離した評価を可能にする。
また、CARVEは、コンフィグレーションにまたがって並列レトリバーを動作させ、チャンク毎に入賞構成を識別するためにチャンク適応リランクを用いる手法である。
論文 参考訳（メタデータ） (2026-06-11T10:05:49Z) - CHOP: Chunkwise Context-Preserving Framework for RAG on Multi Documents [6.134883925217888]
大規模言語モデル(LLM)によるチャンク関係を反復的に評価するフレームワークであるCHOPを提案する。
CHOPはCNM-ExtractorとContinuity Decision Moduleという2つの重要なコンポーネントを統合している。
ベンチマークデータセットの実験では、CHOPは検索の混乱を緩和し、高品質な知識ベースを構築するためのスケーラブルなアプローチを提供する。
論文 参考訳（メタデータ） (2026-04-17T08:05:17Z) - SQL-ASTRA: Alleviating Sparse Feedback in Agentic SQL via Column-Set Matching and Trajectory Aggregation [51.696027315573296]
本稿では,効率的な軌道レベル評価と高密度ステップレベル信号の提供を目的とした,普遍的な2層報酬機構を特徴とするフレームワークを提案する。
伝統的なパラダイムでは、報酬は最終ターンのフィードバックによってのみ決定され、中間プロセスを無視し、曖昧な信用評価をもたらす。
提案手法は,同一モデルを用いてBIRD 2.0上でのSOTA Arctic-Text2-R1-7Bより優れており,頑健なマルチターンエージェントのパラダイムに向けてテキストから逆収束を推進していることを示す。
論文 参考訳（メタデータ） (2026-03-17T06:26:36Z) - Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。
ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。
トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
論文 参考訳（メタデータ） (2026-02-26T11:08:39Z) - Beyond RAG for Agent Memory: Retrieval by Decoupling and Aggregation [22.803751188961865]
検索は類似性マッチングを超えて移動し、代わりに潜在コンポーネントを操作するべきだと我々は主張する。
我々は、無傷ユニットの階層を構築し、検索可能な高レベルノード組織を維持するxMemoryを提案する。
論文 参考訳（メタデータ） (2026-02-02T12:04:58Z) - Correlation-Aware Feature Attribution Based Explainable AI [4.457502798302293]
emphExCIRは、軽量転送プロトコルを備えた相関対応属性スコアである。
textscBlockCIRは、コリニアクラスタの二重カウントを緩和する。
emphscalable説明責任は、現実のデプロイメントにおいて、emphscalable説明責任を計算的に効率的、emphscalent、emphscalable説明責任を提供する。
論文 参考訳（メタデータ） (2025-11-20T15:51:00Z) - HF-RAG: Hierarchical Fusion-based RAG with Multiple Sources and Rankers [9.867003380698238]
ラベル付きおよびラベルなしデータの活用は、検索拡張生成において相補的な利点をもたらす可能性がある。
これらの異種源からの証拠を結合する手法を提案する。
事実検証タスクに対する我々のアプローチを評価し、最も優れた個人ランキングや情報源よりも一貫して改善されていることを実証する。
論文 参考訳（メタデータ） (2025-09-02T21:03:40Z) - MODE: Mixture of Document Experts for RAG [0.532836690371986]
MODEは、よりきめ細かい近接探索をクラスタ・アンド・ルート検索に置き換える。
ドキュメントは埋め込み、セマンティック・コヒーレントなクラスタにグループ化され、キャッシュされたセントロイドで表現される。
100-500チャンクのHotpotQAとSQuADコーパスでは、MODEは解答品質において密度の高い検索基準線を超える。
論文 参考訳（メタデータ） (2025-08-27T17:45:16Z) - Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking [58.69615583599489]
Deliberate Thinking based Retriever (Debater) は、段階的な思考プロセスを導入することで文書表現を強化する新しいアプローチである。
Debaterは、いくつかのベンチマークで既存のメソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2025-02-18T15:56:34Z) - Context-Aware Hierarchical Merging for Long Document Summarization [56.96619074316232]
本論文では,階層的なマージをソース文書からコンテキストと統合する手法を提案する。
法的および物語的領域を表すデータセットの実験結果は、文脈的拡張がゼロショットと階層的な融合ベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2025-02-03T01:14:31Z) - Learnable Pillar-based Re-ranking for Image-Text Retrieval [119.9979224297237]
画像テキスト検索は、モダリティギャップを埋め、意味的類似性に基づいてモダリティコンテンツを検索することを目的としている。
一般的なポストプロセッシング手法であるリグレードは, 単一モダリティ検索タスクにおいて, 隣り合う関係を捕捉する優位性を明らかにしている。
本稿では,画像テキスト検索のための新しい学習可能な柱型リグレードパラダイムを提案する。
論文 参考訳（メタデータ） (2023-04-25T04:33:27Z)
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。