論文の概要: GRADRAG: Cross-Component Prompt Adaptation for Coordinated Multi-Agent RAG
- arxiv url: http://arxiv.org/abs/2607.21324v1
- Date: Thu, 23 Jul 2026 13:54:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.424574
- Title: GRADRAG: Cross-Component Prompt Adaptation for Coordinated Multi-Agent RAG
- Title（参考訳）: GRADRAG: 協調型マルチエージェントRAGのためのクロスコンポーネントプロンプト適応
- Abstract要約: クロスコンポーネント・プロンプト適応のためのフレームワークであるGRADRAGを紹介する。
評価者は下流の回答を批判し、証拠を支持し、実行可能なフィードバックを生み出す。
GRADRAGをSQUALITYおよびQMSUMベンチマークで評価した。
- 参考スコア（独自算出の注目度）: 0.5566372336864309
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Retrieval-Augmented Generation (RAG) systems increasingly employ multiple LLM agents. Yet, most prior work optimizes components in isolation rather than coordinating improvements across the pipeline. We introduce GRADRAG, a framework for cross-component prompt adaptation that models the RAG pipeline as a computational graph and propagates structured evaluation feedback to update upstream agents. An Evaluator critiques downstream answers and supporting evidence, producing actionable feedback that a Prompt Optimizer uses to iteratively update adaptive agents, such as retrievers, graph constructors, and answerers. The Evaluator also triggers early stopping when the output is deemed satisfactory. We evaluate GRADRAG on the SQUALITY and QMSUM benchmarks under two retrieval paradigms: flat chunk-based retrieval using IRCoT-style query refinement (Trivedi et al., 2023), and graph-based retrieval that constructs and iteratively enriches an entity-relation graph from the document. Across both settings, GRADRAG consistently outperforms one-step refinement baselines that update only the final generator, achieving a 12-15 percentage point net preference margin in LLM-judged pairwise comparisons, with most gains realized within two refinement iterations.
- Abstract（参考訳）: Retrieval-Augmented Generation (RAG)システムでは、複数のLLMエージェントが採用されている。
しかし、ほとんどの以前の作業は、パイプライン全体の改善を調整するのではなく、コンポーネントを分離して最適化する。
我々は、RAGパイプラインを計算グラフとしてモデル化し、上流エージェントを更新するために構造化された評価フィードバックを伝播するクロスコンポーネント・プロンプト適応のためのフレームワークであるGRADRAGを紹介する。
Evaluatorは下流の回答を批判し、証拠を裏付け、Prompt Optimizerがリトリーバー、グラフコンストラクタ、応答器などの適応エージェントを反復的に更新するために使用する実行可能なフィードバックを生成する。
Evaluatorはまた、出力が満足できると判断されたときに早期停止をトリガーする。
我々は、IRCoTスタイルのクエリリファインメントを用いたフラットなチャンクベースの検索(Trivedi et al , 2023)と、文書からエンティティ関係グラフを構築し、反復的にリッチ化するグラフベースの検索という2つの検索パラダイムの下で、SQUALITYおよびQMSUMベンチマーク上のGRADRAGを評価した。
両方の設定で、GRADRAGは最終ジェネレータのみを更新する1段階の改良ベースラインを一貫して上回り、LLM-judgedペアワイド比較で12～15ポイントの選好マージンを達成し、ほとんどの利得は2回の改良イテレーションで実現した。
関連論文リスト
- Is GraphRAG Needed? From Basic RAG to Graph-/Agentic Solutions with Context Optimization [9.99981815735792]
本稿では,半構造化知識ベースを用いたRAGシナリオの評価と比較を行うフレームワークを提案する。
9つの標準化されたRAGシナリオの実装と総合的な比較実験を行う。
論文 参考訳（メタデータ） (2026-06-24T10:11:02Z) - 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) - PARM: Pipeline-Adapted Reward Model [60.769414637325326]
リワードモデル(RM)は、大規模言語モデル(LLM)を人間の好みと整合させることの中心であり、高度な復号化戦略を推進している。
これまでの作業はシングルステップ生成に重点を置いていたが、現実のアプリケーションはますますマルチステージパイプラインを採用するようになっている。
我々は、最適化のためのコード生成を通じてこれを調査し、報酬モデルを定式化とソリューション段階の両方に統合するパイプラインを構築する。
論文 参考訳（メタデータ） (2026-04-20T14:29:08Z) - Graphs RAG at Scale: Beyond Retrieval-Augmented Generation With Labeled Property Graphs and Resource Description Framework for Complex and Unknown Search Spaces [0.23157817950780824]
本稿では,従来のRAG手法の限界を克服する新しいエンドツーエンドグラフRAGフレームワークを提案する。
提案手法は,文書数を事前に指定することなく,動的文書検索を可能にする。
我々は,テキストクエリのリアルタイム翻訳において90%以上の精度を達成し,LPGのためのCypherフレームワークにテキストを提示する。
論文 参考訳（メタデータ） (2026-03-21T11:35:29Z) - Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。
我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。
本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
論文 参考訳（メタデータ） (2026-03-09T18:20:20Z) - RankGR: Rank-Enhanced Generative Retrieval with Listwise Direct Preference Optimization in Recommendation [36.297513746770456]
提案するRangGRは、リストワイズ直接選好最適化をレコメンデーションに組み込んだジェネレーティブ検索手法である。
IAPでは、新しいリストワイズ直接選好最適化戦略をGRに組み込んで、階層的ユーザの選好をより包括的に理解する。
トレーニングとデプロイメントにおいていくつかの実践的な改善を実現し、最終的には毎秒1万近いリクエストを処理可能なリアルタイムシステムを実現しています。
論文 参考訳（メタデータ） (2026-02-09T12:13:43Z) - A Navigational Approach for Comprehensive RAG via Traversal over Proposition Graphs [23.840376380790783]
ToPGは知識ベースを命題、実体、通過の異種グラフとしてモデル化する。
TOPGは精度と品質ベースのメトリクスの両方で強力なパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-01-08T11:50:40Z) - RouteRAG: Efficient Retrieval-Augmented Generation from Text and Graph via Reinforcement Learning [69.87510139069218]
Retrieval-Augmented Generation (RAG)は、非パラメトリック知識をLarge Language Models (LLM)に統合する
強化学習(RL)による多ターン推論へのテキストベースRAGの進歩
LLMがマルチターンおよび適応的なグラフテキストハイブリッドRAGを実現するためのRLベースのフレームワークであるモデルを導入する。
論文 参考訳（メタデータ） (2025-12-10T10:05:31Z) - TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。
報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
論文 参考訳（メタデータ） (2025-11-07T16:08:34Z) - Chain-of-Retrieval Augmented Generation [91.02950964802454]
本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。
提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
論文 参考訳（メタデータ） (2025-01-24T09:12:52Z) - Evaluating Retrieval Quality in Retrieval-Augmented Generation [21.115495457454365]
従来のエンドツーエンド評価手法は計算コストが高い。
本稿では,検索リストの各文書をRAGシステム内の大規模言語モデルで個別に利用するeRAGを提案する。
eRAGは、ランタイムを改善し、エンドツーエンド評価の最大50倍のGPUメモリを消費する、大きな計算上のアドバンテージを提供する。
論文 参考訳（メタデータ） (2024-04-21T21:22:28Z)
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。