論文の概要: QUBO-Optimized Evidence Selection for Retrieval-Augmented Question Answering with Unconventional Solvers
- arxiv url: http://arxiv.org/abs/2607.12334v1
- Date: Tue, 14 Jul 2026 04:29:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.034018
- Title: QUBO-Optimized Evidence Selection for Retrieval-Augmented Question Answering with Unconventional Solvers
- Title（参考訳）: QUBO-Optimized Evidence Selection for Retrieval-Augmented Question Answering with Unconventional Solversing
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.8620637029128544
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retrieval-augmented question answering depends on selecting evidence passages that jointly support answer generation. However, many RAG pipelines rely on top-\(k\) ranking, where passages are selected mainly by individual relevance scores, even though multi-hop questions often require complementary evidence satisfying multiple information requirements. Recent LLM-based selectors address this by treating retrieval as set selection, but using an LLM for this intermediate stage can be costly and difficult to scale. In this work, we formulate evidence selection as a Quadratic Unconstrained Binary Optimization (QUBO) problem. Given a question, candidate passages, and decomposed information requirements, our method constructs an energy function that balances relevance, requirement coverage, support strength, redundancy, complementarity, and compactness. Low-energy solutions correspond to compact evidence subsets that cover the needed requirements while avoiding unnecessary or repetitive context. The selected passages are then passed to a downstream language model for answer generation, separating combinatorial evidence selection from semantic answer generation. We evaluate the proposed QUBO selector on HotpotQA and compare it with LLM-based set selectors and non-LLM baselines including BM25, relevance top-\(k\), maximal marginal relevance, hybrid lexical--semantic ranking, greedy coverage, and random selection. The QUBO selector achieves competitive exact-match and token-F1 performance relative to LLM-based selectors while providing a solver-compatible formulation for structured evidence selection. These results suggest that multi-hop evidence selection can be cast as discrete optimization, opening a path toward RAG pipelines where LLMs are reserved for semantic processing and answer generation, while context selection is handled by Ising/QUBO-compatible solvers.
- Abstract（参考訳）: Retrieval-augmented question answeringは、回答の生成を共同で支援するエビデンスパスを選択することに依存する。
しかしながら、多くのRAGパイプラインは、複数の情報要求を満たす補完的な証拠を必要とするにもかかわらず、個々の関連スコアによって通路が選択されるトップ-\(k\)ランキングに依存している。
近年のLSMベースのセレクタは、検索をセット選択として扱うことでこの問題に対処しているが、この中間段階でLSMを使用することはコストがかかり、スケールが困難である。
本研究では,疑似非拘束バイナリ最適化(QUBO)問題としてエビデンス選択を定式化する。
提案手法は,質問,候補パス,分解された情報要件を考慮し,関連性,要件カバレッジ,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築する。
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。
選択された節は、解答生成のための下流言語モデルに渡され、意味的解答生成から組合せ的エビデンス選択を分離する。
We evaluate the proposed QUBO selector on HotpotQA and comparison with LLM-based set selector and non-LLM baselines including BM25, relevance top-\(k\), maximal marginallevance, hybrid lexical-semantic ranking, greedy coverage and random selection。
QUBOセレクタは、構造化されたエビデンス選択のためのソルバ互換の定式化を提供しながら、LCMベースのセレクタと比較して、競合する正確なマッチングおよびトークンF1性能を達成する。
これらの結果から,マルチホップエビデンス選択を離散最適化として,LLMがセマンティック処理や応答生成のために予約されているRAGパイプラインへの経路を開き,コンテキスト選択はIsing/QUBO互換の解決器で処理できることが示唆された。
関連論文リスト
- Data Efficient Sample Selection for In-Context Learning [7.910984819642885]
インコンテキスト学習(ICL)は、大規模言語モデル(LLM)が微調整を必要とせずに新しいタスクに適応できるようにする。
既存の選択手法は、ICLサンプルと下流LLM性能の複雑な関係をモデル化していない。
本稿では,サンプル選択をサブセットランキング問題としてモデル化する新しいフレームワークであるDearICLを紹介する。
論文 参考訳（メタデータ） (2026-09-06T15:23:37Z) - Efficient Frame Selection for Long Videos at Test Time with Attention-Based MLLM Selectors [69.75895255395702]
MLLMの検証選択抽出層におけるクロスモーダルな注意は、自己回帰生成を必要とせずに、クエリ関連フレーム証拠を既に提供している。
2Bパラメータしか持たない軽量MLLMセレクタは、クエリ条件アグリゲーションにより、選択した層注目値を関連スコアに変換することにより、フレームレベルのエビデンスを抽出することができる。
32フレームの予算下では,ビデオMMEで最大6.4ポイントの均一サンプリングを改良し,フレーム予算の一致したトレーニングベースセレクタよりも優れていた。
論文 参考訳（メタデータ） (2026-07-17T07:04:31Z) - Covering the Unseen: Information Demand Coverage Optimization for Retrieval-Augmented Generation [3.1864177029192686]
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。
論文 参考訳（メタデータ） (2026-06-28T10:49:04Z) - Mixture of Complementary Agents for Robust LLM Ensemble [28.210955621253863]
大規模言語モデル(LLM)のアンサンブルや議論のようなマルチAIコラボレーションは、情報収集とパフォーマンス向上のための有望なパラダイムである。
既存のアプローチは、主に正確性(最強のモデルを選ぶ)または多様性(多様性の保証)に焦点を当てています。
我々は、LLMの値が他と相補関係にある特徴選択に類似した選択問題として、提案者選択を再設定する。
論文 参考訳（メタデータ） (2026-05-21T21:29:05Z) - 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) - Context-Picker: Dynamic context selection using multi-stage reinforcement learning [4.539896456749749]
長文質問応答のための推論対応フレームワークであるemphContext-Pickerを紹介した。
Context-Pickerはコンテキスト選択を、人間にインスパイアされた2段階の強化学習スケジュールを通じて最適化された意思決定プロセスとして扱う。
5つの長コンテキストおよびマルチホップQAベンチマークの実験は、Context-Pickerが強力なRAGベースラインを著しく上回ることを示した。
論文 参考訳（メタデータ） (2025-12-16T14:52:11Z) - Distilling a Small Utility-Based Passage Selector to Enhance Retrieval-Augmented Generation [110.610512800947]
Retrieval-augmented Generation (RAG)は、取得した情報を組み込むことで、大規模言語モデル(LLM)を強化する。
RAGでは、重要度は実用性に移行し、正確な回答を生成するためのパスの有用性を考慮している。
提案手法は、ランク付けよりもユーティリティベースの選択に重点を置いており、固定しきい値を必要とせずに、特定のクエリに合わせた動的通過選択を可能にする。
本実験は, 実用性に基づく選択により, RAGの柔軟性とコスト効率が向上し, 計算コストが大幅に低減され, 応答品質が向上することを示した。
論文 参考訳（メタデータ） (2025-07-25T09:32:29Z) - 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) - Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity [59.57065228857247]
Retrieval-augmented Large Language Models (LLMs) は、質問回答(QA)のようなタスクにおける応答精度を高めるための有望なアプローチとして登場した。
本稿では,クエリの複雑さに基づいて,LLMの最適戦略を動的に選択できる適応型QAフレームワークを提案する。
オープンドメインのQAデータセットを用いて、複数のクエリの複雑さを網羅し、QAシステムの全体的な効率性と精度を高めることを示す。
論文 参考訳（メタデータ） (2024-03-21T13:52:30Z) - Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。
この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。
そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T17:44:56Z) - Query Focused Multi-Document Summarization with Distant Supervision [88.39032981994535]
既存の作業は、クエリとテキストセグメント間の関連性を推定する検索スタイルの手法に大きく依存している。
本稿では,クエリに関連するセグメントを推定するための個別モジュールを導入した粗大なモデリングフレームワークを提案する。
我々のフレームワークは、標準QFSベンチマークにおいて、強力な比較システムよりも優れていることを実証する。
論文 参考訳（メタデータ） (2020-04-06T22:35:19Z)
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。