論文の概要: Retrieving a Set, Not Independent Passages: Set-Level Compatibility Learning for Efficient Set Exploration
- arxiv url: http://arxiv.org/abs/2607.05712v1
- Date: Tue, 07 Jul 2026 00:37:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.356203
- Title: Retrieving a Set, Not Independent Passages: Set-Level Compatibility Learning for Efficient Set Exploration
- Title（参考訳）: 独立パスではなく集合を検索する: 効率的な集合探索のための集合レベル適合性学習
- Abstract要約: クエリセット整合性スコアリングとしてマルチホップ検索を定式化し、セットレベル検索フレームワークを提案する。
我々の訓練目的は、検索者が不完全でノイズの多い代替手段の上に設定された完全かつ互換性のある証拠をランク付けするように教える。
フレームワークを2つの相補的な集合スコアラでインスタンス化する。軽量な遅延相互作用スコアラであるParaSetと、クロスエンコーダベースの再ランカであるSetCEである。
- 参考スコア（独自算出の注目度）: 14.89719169791929
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-hop question answering and retrieval-augmented reasoning require selecting evidence passages that are jointly useful for answering a query. However, most retrievers still score passages independently or make locally supervised sequential decisions, which can fail when evidence usefulness depends on compatibility among passages. LLM-based set selection can model such interactions, but its computational cost limits practical use. We address this gap by formulating multi-hop retrieval as query-set compatibility scoring and propose a set-level retrieval framework. Our training objective teaches retrievers to rank complete and compatible evidence sets above incomplete, noisy alternatives, making set scoring more robust to variable-length and partially noisy contexts. We instantiate the framework with two complementary set scorers: ParaSet, a lightweight late-interaction scorer that applies self-attention over precomputed bi-encoder embeddings for fast candidate-set exploration, and SetCE, a cross-encoder-based reranker trained with the same set-level objective. Experiments on various multi-hop QA benchmarks show that set-level compatibility learning improves retrieval performance and downstream QA task performance. We further show that the proposed set-level retrievers not only outperform document-level retrievers, but also exhibit complementary retrieval characteristics: combining their outputs yields stronger performance than simply retrieving more passages from a single document-level retriever.
- Abstract（参考訳）: マルチホップ質問応答と検索強化推論は、クエリに応答するのに共同で有用なエビデンスパスを選択する必要がある。
しかし、ほとんどのレトリバーは独立してパスを採点したり、局所的に監督されたシーケンシャルな決定を行う。
LLMベースの集合選択はそのような相互作用をモデル化することができるが、その計算コストは実用的利用を制限する。
マルチホップ検索をクエリセット整合性スコアとして定式化することで,このギャップに対処し,セットレベル検索フレームワークを提案する。
我々の訓練目的は、不完全でノイズの多い代替手段の上に設定された完全かつ互換性のあるエビデンスをランク付けすることを教える。
フレームワークを2つの相補的なセットスコアラでインスタンス化する。ParaSetは、高速な候補セット探索のためにプリ計算されたバイエンコーダの埋め込みに対して自己注意を適用できる軽量なレイトアクションスコアラであり、SetCEは、同じセットレベル目的でトレーニングされたクロスエンコーダベースのリランカである。
様々なマルチホップQAベンチマーク実験により、セットレベルの互換性学習により、検索性能と下流QAタスク性能が向上することが示された。
さらに,提案したセットレベルレトリバーは,文書レベルレトリバーより優れているだけでなく,補完的な検索特性も示している。
関連論文リスト
- Retriever Portfolios: A Principled Approach to Adaptive RAG [30.668406304237404]
そこで本研究では,対象クエリ分布の異なる領域をカバーするために,候補の大規模プールから,少数の多種多様なサブセットを自動的に選択する手法を提案する。
複数のQAベンチマークを通じて、学習したポートフォリオとルータパイプラインは、一貫してシングルリレーバとナイーブなマルチリレーバベースラインを上回っています。
論文 参考訳（メタデータ） (2026-05-29T11:43:05Z) - Subtraction Gets You More: Gap-Aware Retrieval for Multimodal Multi-Hop QA [11.316299961548415]
本稿では,埋め込みレベルで直接暗黙的なクエリ書き換えを行うパラダイムを提案する。
コンテクスト・サブトラクティブなクエリ・ステアリングにより、GRAILはコンストラクショナル・クロスモーダルな推論において優れている。
タスクタイプに基づいたクエリを動的にルーティングすることで、MultimodalQA上で40.3%のマクロ平均パフォーマンス向上を実現しています。
論文 参考訳（メタデータ） (2026-05-27T15:46:21Z) - R$^3$AG: Retriever Routing for Retrieval-Augmented Generation [59.47703698994575]
R$3$AGは、検索機能を2つの学習可能なディメンション、すなわち検索品質と生成ユーティリティに分解する。
R$3$AGは、最高の個々のレトリバーと最先端の静的ルーティングメソッドの両方を一貫して上回っている。
論文 参考訳（メタデータ） (2026-04-22T06:51:20Z) - CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。
この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
論文 参考訳（メタデータ） (2026-04-19T17:48:17Z) - Agentic-R: Learning to Retrieve for Agentic Search [82.43426728778418]
エージェント検索に適した新しい検索学習フレームワークを提案する。
単一ターン検索拡張生成(RAG)用に設計された検索器とは違って,局所的なクエリ・パスの関連性とグローバルな回答の正当性を両立することを提案する。
我々のレトリバーは、我々のものとよばれ、異なる検索エージェント間で強いベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-01-17T02:59:54Z) - Beyond Single-Shot: Multi-step Tool Retrieval via Query Planning [6.212994999785976]
TOOLQPは、検索を反復的なクエリ計画としてモデル化する軽量フレームワークである。
命令をサブタスクに分解し、リトリーバーと対話するクエリを動的に生成する。
最先端のパフォーマンスを実現し、より優れたゼロショットの一般化、多様なレトリバー間の堅牢性、下流のエージェント実行の大幅な改善を実現している。
論文 参考訳（メタデータ） (2026-01-12T17:58:39Z) - DIVER: A Multi-Stage Approach for Reasoning-intensive Information Retrieval [36.38599923075882]
DIVERは、推論集約的な情報検索のために設計された検索パイプラインである。
ドキュメント前処理ステージ、クエリ拡張ステージ、検索ステージ、再ランクステージの4つのコンポーネントで構成されている。
BRIGHTベンチマークでは、DIVERは最先端のnDCG@10スコアを45.8点、オリジナルクエリでは28.9点と達成し、競争力のある推論モデルを上回っている。
論文 参考訳（メタデータ） (2025-08-11T13:57:49Z) - LTRR: Learning To Rank Retrievers for LLMs [53.285436927963865]
ルーティングベースのRAGシステムは、単一リトリバーベースのシステムよりも優れていることを示す。
パフォーマンス向上は、特にAnswer Correctness(AC)メトリックでトレーニングされたモデルで顕著である。
SIGIR 2025 LiveRAG チャレンジの一環として,提案システムを用いて提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2025-06-16T17:53:18Z) - Reinforcing Compositional Retrieval: Retrieving Step-by-Step for Composing Informative Contexts [67.67746334493302]
大規模言語モデル(LLM)は、多くのタスクにまたがる顕著な機能を示してきたが、複雑なタスクを扱うために外部のコンテキストに依存していることが多い。
我々は、このプロセスをマルコフ決定プロセス(MDP)としてモデル化するトリエンコーダシーケンシャルレトリバーを提案する。
提案手法は,サンプル間の依存関係を明示的にモデル化することの重要性を強調し,ベースラインを一貫して大幅に上回ることを示す。
論文 参考訳（メタデータ） (2025-04-15T17:35:56Z) - Retrieval as Attention: End-to-end Learning of Retrieval and Reading
within a Single Transformer [80.50327229467993]
学習した1つのモデルが競合検索とQA性能の両方を達成可能であることを示す。
エンドツーエンド適応は、教師なし設定と教師なし設定の両方において、ドメイン外のデータセットのパフォーマンスを大幅に向上させることを示す。
論文 参考訳（メタデータ） (2022-12-05T04:51:21Z)
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。