論文の概要: Covering the Unseen: Information Demand Coverage Optimization for Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2606.29328v1
• Date: Sun, 28 Jun 2026 10:49:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.878541
• Title: Covering the Unseen: Information Demand Coverage Optimization for Retrieval-Augmented Generation
• Title（参考訳）: 未知をカバーする: 検索型世代のための情報需要被覆最適化
• Abstract要約: 情報要求カバレッジ最適化としてコンテキスト選択をリキャストするGeoRAGを提案する。 6つのオープンドメインQAベンチマークでは、GeoRAGはトップkトランケーション上での正確なマッチ(EM)を+6.5から+7.5ポイント改善する。
• 参考スコア（独自算出の注目度）: 3.1864177029192686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) typically treats context selection as ranking chunks against a single query embedding. This assumption breaks down for complex queries, such as multi-hop or ambiguous questions, where top-k selection tends to over-cover one semantic aspect while ignoring critical sub-questions. We propose GeoRAG, which recasts context selection as Information Demand Coverage Optimization. GeoRAG builds a multi-dimensional demand distribution through diverse sub-query generation and reverse-validation weighting, then selects context by minimizing the Sinkhorn-Wasserstein distance between this demand distribution and the coverage of the selected set. The resulting demand-weighted facility-location objective is monotone submodular, giving a $1-1/e$ greedy guarantee, which we approximate with a Sinkhorn-based marginal-gain surrogate. The method is unsupervised, training-free, and retrieval-agnostic. We further show that single-point, query-proximity scorers cannot cover multi-modal demands, exposing a structural limit of ranking-based selection. On six open-domain QA benchmarks, GeoRAG improves exact match (EM) by +6.5 to +7.5 points over top-k truncation (up to +9.7 on HotpotQA and ASQA) and outperforms strong baselines including MMR, DPP, BGE-Reranker, SMART-RAG, and AdaGReS, with stable gains across context budgets and sub-query generators.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) は通常、コンテキスト選択を単一のクエリの埋め込みに対するランキングチャンクとして扱う。 この仮定は、マルチホップや曖昧な質問のような複雑なクエリでは分解され、トップkの選択は重要なサブクエストを無視しながら1つのセマンティックな側面を過剰に発見する傾向がある。 情報要求カバレッジ最適化としてコンテキスト選択をリキャストするGeoRAGを提案する。 GeoRAGは、多様なサブクエリ生成とリバースバリデーション重み付けにより多次元の需要分布を構築し、この需要分布と選択された集合のカバレッジの間のシンクホーン-ワッサースタイン距離を最小化してコンテキストを選択する。 需要重み付けされた施設配置の目的は単調な部分モジュラーであり、シンクホーンをベースとした辺縁ゲインサロゲートと近似して1-1/e$の保証を与える。 この方法は教師なし、訓練なし、検索不可である。 さらに、単一点の問合せ確率スコアラがマルチモーダル要求をカバーできないことを示し、ランキングベース選択の構造的制限を明らかにした。 オープンドメインの6つのQAベンチマークでは、GeoRAGはトップkトランケーション(HotpotQAとASQAでは+9.7まで)での正確なマッチ(EM)を+6.5から+7.5ポイント改善し、MMR、DPP、BGE-Reranker、SMART-RAG、AdaGReSといった強力なベースラインを上回り、コンテキスト予算やサブクエリジェネレータ間で安定した利得を得る。

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)
• HARP: Hierarchical Adaptive Ranking with Preference-Adaptive Fusion for Query-Based CVE Prioritization [84.9738509922482]
  本稿では,自然言語クエリから候補をランク付けするグラフ付きマルチビューフレームワークと,過去のラベル付きサンプルの支持銀行を提案する。 HarPは脆弱性知識グラフからエビデンスを取得し、ポリシー付きグローバル、エンタプライズ、ユーザビューで候補をスコアし、サンプルサポートからのビューフュージョン重みに適合する。
  論文  参考訳（メタデータ） (2026-08-19T20:29:00Z)
• DIRECTOR: Dynamic Index-based Recommendation with Transport-Optimized Retrieval [47.419173509430834]
  Re rankは、要求固有の候補セットから高ユーティリティスレートを選択し、注文することを目的とした決定問題である。 本稿では,トランスポート誘導並列化フレームワークであるTransport-d Retrievalを用いた動的インデックスベースのRecommendationを提案する。 実験により、DIRECTORは強いリグレードベースラインを一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-07-29T03:03:03Z)
• QUBO-Optimized Evidence Selection for Retrieval-Augmented Question Answering with Unconventional Solvers [1.8620637029128544]
  疑似非制約二項最適化問題としてエビデンス選択を定式化する。 提案手法は, 妥当性, 要件範囲, サポート強度, 冗長性, 相補性, コンパクト性のバランスをとるエネルギー関数を構成する。 低エネルギーのソリューションは、必要条件をカバーし、不要または反復的なコンテキストを避けながら、コンパクトなエビデンスサブセットに対応する。
  論文  参考訳（メタデータ） (2026-07-14T04:29:07Z)
• F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
  大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。 この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。 このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。 本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-13T04:52:33Z)
• 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)
• Shifting from Ranking to Set Selection for Retrieval Augmented Generation [16.374737228461125]
  Retrieval-Augmented Generationの検索は、検索されたパスが個々の関連性だけでなく、集合的に包括的な集合を形成することを保証する必要がある。 提案手法はSETRを導入し,Chain-of-Thought推論によるクエリの情報要求を明確に識別する。 マルチホップRAGベンチマークの実験では、SETRはLLMベースのリランカーとオープンソースのベースラインの両方を、回答の正しさと検索品質で上回っている。
  論文  参考訳（メタデータ） (2025-07-09T13:35:36Z)
• MUSS: Multilevel Subset Selection for Relevance and Diversity [4.8254343133177295]
  レコメンデーションシステムでは、さまざまなレコメンデーションを提供しながら、関連する項目を選択することに興味がある。 本稿では,このタイプの問題を解析するための新しい理論的アプローチを提案し,その手法が最適目的の定数係数近似を実現することを示す。
  論文  参考訳（メタデータ） (2025-03-14T06:37:17Z)
• Do RAG Systems Cover What Matters? Evaluating and Optimizing Responses with Sub-Question Coverage [74.70255719194819]
  サブクエストカバレッジに基づく新しいフレームワークを導入し、RAGシステムが質問の異なる面にどのように対処するかを計測する。 このフレームワークを使用して、You.com、Perplexity AI、Bing Chatの3つの商用生成応答エンジンを評価します。 すべての回答エンジンは、バックグラウンドやフォローアップよりも、コアサブクエストを頻繁にカバーしていますが、コアサブクエストの約50%を見逃しています。
  論文  参考訳（メタデータ） (2024-10-20T22:59:34Z)
• SMART-RAG: Selection using Determinantal Matrices for Augmented Retrieval [40.17823569905232]
  Retrieval-Augmented Generation (RAG) は、大規模言語モデル(LLM)を大幅に改善し、正確で文脈に根ざした応答を生成する。 RAGアプローチは、クエリコンテキストの関連性のみに基づくトップランクのドキュメントを優先し、冗長性と矛盾する情報をしばしば導入する。 本稿では,RAGにおける文脈選択の最適化を目的とした,教師なしおよびトレーニング不要なフレームワークであるRAG(Mathrices for Augmented Retrieval)によるタスク応答のための選択を提案する。
  論文  参考訳（メタデータ） (2024-09-21T03:03:09Z)
• Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
  本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。 提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
  論文  参考訳（メタデータ） (2022-02-22T01:34:35Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)

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。