Fugu-MT 論文翻訳(概要): Diagnosing and Repairing Factual Errors in RAG under Budget Constraints

論文の概要: Diagnosing and Repairing Factual Errors in RAG under Budget Constraints

arxiv url: http://arxiv.org/abs/2606.29377v1
Date: Sun, 28 Jun 2026 13:01:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 18:07:15.900282
Title: Diagnosing and Repairing Factual Errors in RAG under Budget Constraints
Title（参考訳）: 予算制約下におけるRAGのエラー診断と修復
Abstract要約: 本稿では,D2R-RAG(Diagnose-to-Repair RAG)を提案する。 D2R-RAGは、クエリ内の観測可能な信号から解釈可能な障害シグネチャを導き、エビデンスを検索し、生成した応答を導出し、明示的なレイテンシとVRAM制約の下で小さな修正アクションのセットから選択する。
参考スコア（独自算出の注目度）: 3.9980186127766935
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Retrieval-Augmented Generation (RAG) improves the factuality of large language models by grounding responses in external evidence, yet real-world deployments remain fragile. Failures often stem from missing or weakly relevant evidence, as well as from generation that does not faithfully reflect the retrieved context. Many existing approaches rely on fine-tuning, privileged access to internal model signals, or resource-insensitive escalation strategies, which limits their practicality in black-box and budget-constrained settings. We propose D2R-RAG (Diagnose-to-Repair RAG), a model-agnostic and resource-aware framework that combines lightweight failure diagnosis with adaptive repair. D2R-RAG derives interpretable failure signatures from observable signals in the query, retrieved evidence, and generated response, and then selects from a small set of corrective actions under explicit latency and VRAM constraints. Experiments on FEVER and HotpotQA show that D2R-RAG improves reliability over recent baselines and achieves better accuracy--efficiency trade-offs across multiple compute budgets. The code is available at https://github.com/CyberScienceLab/D2R-RAG/.
Abstract（参考訳）: Retrieval-Augmented Generation (RAG)は、外部のエビデンスに応答することで、大規模な言語モデルの事実性を向上するが、実際のデプロイメントは脆弱である。失敗は、しばしば、欠落または弱い関係の証拠と、検索された文脈を忠実に反映しない世代から生じる。既存の多くのアプローチは、内部モデル信号への微調整、特権的なアクセス、またはリソース非依存のエスカレーション戦略に依存しており、ブラックボックスや予算制約のある設定での実用性を制限する。本稿では,D2R-RAG(Diagnose-to-Repair RAG)を提案する。 D2R-RAGは、クエリ内の観測可能な信号から解釈可能な障害シグネチャを導き、エビデンスを検索し、生成した応答を導出し、明示的なレイテンシとVRAM制約の下で小さな修正アクションのセットから選択する。 FEVERとHotpotQAの実験によると、D2R-RAGは最近のベースラインよりも信頼性を向上し、複数の計算予算にわたって精度の高いトレードオフを実現する。コードはhttps://github.com/CyberScienceLab/D2R-RAG/で公開されている。

関連論文リスト

FailForge: Distilling Procedural Competence from Persistent Failures into Code Agents [49.519184792774304]
FailForgeは、失敗したロールアウトをトレーニングシグナルに変換するエージェントフレームワークである。 FailForgeは、これまで失敗したインスタンスの26%を、限界的な追加コストでリカバリする。
論文参考訳（メタデータ） (2026-08-09T08:22:57Z)
REAL-OW: Rehearsal-free Open World Object Detection with Low-Rank Adaptation and Dual-Stage Objectness Modeling [56.888597798431704]
Open-World Object Detection (OWOD) では、未確認のオブジェクトを未知のものとして識別し、それを既知のカテゴリのセットにインクリメンタルに組み込む必要がある。既存のフレームワークは、破滅的な忘れを緩和するために、模範的なリプレイに大きく依存しているが、実際のアプリケーションでは、データアクセス制限との生データ競合を保存し、データ露出のリスクをもたらす。協調的なアダプタアーキテクチャを通じて段階的な知識を分離する新しいリハーサルフリーフレームワークであるREAL-OWを提案する。
論文参考訳（メタデータ） (2026-07-03T06:38:54Z)
Revisiting Vul-RAG: Reproducibility and Replicability of RAG-based Vulnerability Detection with Open-Weight Models [0.2730969268472861]
本稿では,ソースコード脆弱性検出のフレームワークであるVul-RAGについて述べる。結果より,Vul-RAGは局所的な展開では再現可能であるが,軽微な偏差は認められなかった。本稿では,検出効率,モデル能力,モデルスケール間の実践的意味とトレードオフについて論じる。
論文参考訳（メタデータ） (2026-06-03T11:20:37Z)
Efficient RAG with Intent-Aware Retrieval and Semantics-Preserving Chunking [18.698122955613584]
InSemRAGは、検索拡張世代(RAG)システムのためのフレームワークである。 IARは、クエリインテントに基づいて、検索チャネルを適応的に重み付けする動的ハイブリッド検索手法を実装している。 SPCは、意味的整合性を維持するために破損した証拠チャンクの検出と修復を行う。提案手法は,HotPotQAではF1が2.65ポイント,FEVERでは1.5ポイントの精度向上を実現した。
論文参考訳（メタデータ） (2026-05-31T13:42:36Z)
FD-RAG: Federated Dual-System Retrieval-Augmented Generation [6.293987395462135]
FD-RAGは局所コーパス上の意味認識適応ハイパーグラフを学習し、それをコンパクトなQAメモリに蒸留する。直接メモリマッチングを通じて精査されたクエリに回答し、必要な時にのみLSMベースの推論を起動する。 QAベンチマークの実験では、FD-RAGの精度は最大7.8%向上し、レイテンシは8.4times$に低下した。
論文参考訳（メタデータ） (2026-05-22T05:21:39Z)
Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。複数のベンチマークで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2026-04-21T07:29:55Z)
Skill-RAG: Failure-State-Aware Retrieval Augmentation via Hidden-State Probing and Skill Routing [12.09179106162719]
本稿では,隠れ状態のプローバとプロンプトベースのスキルルータを結合した障害対応RAGフレームワークであるSkill-RAGを提案する。実験により,Skill-RAGは多ターン検索後に持続するハードケースの精度を大幅に向上することが示された。
論文参考訳（メタデータ） (2026-04-17T07:25:43Z)
Doctor-RAG: Failure-Aware Repair for Agentic Retrieval-Augmented Generation [23.961760006898157]
エージェント検索・拡張生成(Agentic RAG)は,質問応答や複雑な知識推論のパラダイムとして広く採用されている。既存のアプローチでは、診断分析で停止するか、検索推論パイプライン全体を再実行することで、このような障害に対処するのが一般的である。本稿では,Agenic RAGの異常を明示的エラーローカライゼーションとプレフィックス再利用によって修正する統合診断・修復フレームワークであるDoctor-RAGを提案する。
論文参考訳（メタデータ） (2026-04-01T13:13:27Z)
Rethinking the Reranker: Boundary-Aware Evidence Selection for Robust Retrieval-Augmented Generation [64.09110141948693]
Retrieval-Augmented Generation (RAG) システムは、現実的な検索ノイズの下でも不安定である。そこで我々は,BAR-RAGを提案する。このBAR-RAGは,発電機のGoldilocks Zoneをターゲットとした境界認識型エビデンスセレクタである。 Bar-RAGはノイズ検索において、エンドツーエンドのパフォーマンスを一貫して改善する。
論文参考訳（メタデータ） (2026-02-03T16:08:23Z)
Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
論文参考訳（メタデータ） (2025-04-21T04:56:47Z)
UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
論文参考訳（メタデータ） (2024-10-03T17:39:38Z)

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。