論文の概要: Source-Aware Reranking for Retrieval-Augmented Generation: A Reliability Prior Approach

• arxiv url: http://arxiv.org/abs/2607.22584v1
• Date: Mon, 08 Jun 2026 14:09:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.977147
• Title: Source-Aware Reranking for Retrieval-Augmented Generation: A Reliability Prior Approach
• Title（参考訳）: 検索機能強化のためのソース・アウェア・リグレード:信頼性事前アプローチ
• Abstract要約: 本研究は,RAG検索ランキングの簡易かつ解釈可能な変更について評価する。 このフレームワークは120文書の健康ドメインコーパスの類似性のみのベースラインに対して評価される。 source-aware re ranking は Precision@5 を 0.48 から 0.72 に改善し、平均敵対的なドキュメント検索を減らす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Standard Retrieval-Augmented Generation pipelines rank retrieved documents by semantic similarity alone, without accounting for source provenance or credibility. This work evaluates a simple and interpretable modification to RAG retrieval ranking that incorporates domain-informed source reliability priors. Each document is assigned a prior lambda(s) based on its source type, and retrieval scores are reweighted using score(q, d) = sim(q, d) * lambda(s). The framework is evaluated against a similarity-only baseline on a 120-document health-domain corpus. In this controlled setting, source-aware reranking improves Precision@5 from 0.48 to 0.72 and reduces average adversarial document retrieval under the evaluated threat model, where low-credibility sources are identifiable via metadata. All experiments were executed on Rosie, the high-performance computing cluster at the Milwaukee School of Engineering, which provided the GPU-accelerated infrastructure necessary to run the full experimental pipeline reliably and reproducibly. These results suggest a potential mitigation strategy for source quality degradation in RAG pipelines, within the limits of the experimental setup described.
• Abstract（参考訳）: Standard Retrieval-Augmented Generationパイプラインは、ソースの出所や信頼性を考慮せずに、セマンティックな類似性だけで検索したドキュメントをランク付けする。 本研究は、ドメインインフォームドソースの信頼性を前提としたRAG検索ランキングの簡易かつ解釈可能な変更を評価する。 各文書はソースタイプに基づいて事前のラムダを割り当て、検索スコアはスコア(q, d) = sim(q, d) * lambda(s)を使って再重み付けされる。 このフレームワークは120文書の健康ドメインコーパスの類似性のみのベースラインに対して評価される。 この制御された設定では、ソース・アウェア・リグレードはPrecision@5を0.48から0.72に改善し、評価された脅威モデルの下で平均的な敵文書検索を減少させる。 すべての実験は、Milwaukee School of Engineeringの高性能コンピューティングクラスタであるRosie上で実行された。 これらの結果から,実験装置の限界内において,RAGパイプラインのソース品質劣化を緩和する可能性が示唆された。

関連論文リスト

• Reliable Neural Collapse Approximation for Open-World Test-Time Adaptation [95.55552104238787]
  Test-Time Adaptation (TTA)メソッドは、ソースとターゲットドメイン間のドメインギャップを埋めることを目的としている。 従来のTTA法はラベルの分布シフトが発生すると効果が低下する。 オープンワールドテスト時間適応のためのReliable Neural Collapse approximation (ReNC) という新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-08-20T10:57:44Z)
• ContextNest: Verifiable Context Governance for Autonomous AI Agent [0.0]
  我々は、管理されたAI消費可能な知識Vaultのためのオープン仕様と参照実装であるContextNestを提示する。 検索の下にあるガバナンス層を提供し、どのアーティファクトが承認され、現在、帰属可能で、整合性が検証されているかを判断する。 2つの制御実験による実験結果について報告する。
  論文  参考訳（メタデータ） (2026-07-02T12:51:38Z)
• Grounded Decoding: Retrieval-Anchored Probability Fusion for Faithful RAG [6.324418485299426]
  大規模な言語モデルは、競合が発生したとき、検索された情報よりもパラメトリックな知識を優先することができる。 本稿では,モデルパラメータを変更することなくRAGの現実的整合性を改善するために,新しいトレーニングフリーデコーディングフレームワークであるemphGrounded Decodingを提案する。 以上の結果から, 確率レベルの融合は, 忠実なRAG復号化のためのロジットレベルの介入法に代わる, 強力かつ効率的な代替手段となることが示唆された。
  論文  参考訳（メタデータ） (2026-05-29T23:47:39Z)
• Conformal Reliability: A New Evaluation Metric for Conditional Generation [62.761166941396844]
  条件付き生成モデルは、近年、様々な応用において顕著な成功を収めている。 本稿では,信頼度を事前に設定した予測値に基づいて,信頼度という新たな評価指標を提案する。 本稿では, 予測セットの構築と, (ii) 構築した予測セット内の信頼性スコアを正確に最適化するフレームワークであるConformal Reliability(CReL)を紹介する。
  論文  参考訳（メタデータ） (2026-05-29T03:52:44Z)
• Enhancing Factuality through Consensus and Consistency in Summarization Using Minimum Bayes Risk Decoding [64.98167175790817]
  本稿では、ソース文書の一貫性と他の候補間のコンセンサスという2つの要因を考慮し、候補要約を再引用するConSUMを提案する。 我々のシステムは既存の手法と競合しており、人による評価により、生成した要約が他のシステムよりも好まれていることが確認されている。
  論文  参考訳（メタデータ） (2026-05-28T04:14:43Z)
• RaV-IDP: A Reconstruction-as-Validation Framework for Faithful Intelligent Document Processing [0.0]
  Restructation as Validation (RaV-IDP)は、第一級アーキテクチャコンポーネントとして再構築を導入するドキュメント処理パイプラインである。 専用再構成器は、抽出した表現を元の文書領域に匹敵する形式に戻す。 忠実度がエンタリティ型閾値以下になると、構造化されたGPT-4.1ビジョンフォールバックがトリガーされ、検証ループが繰り返される。
  論文  参考訳（メタデータ） (2026-04-26T10:26:42Z)
• Open-Source Reproduction and Explainability Analysis of Corrective Retrieval Augmented Generation [0.0]
  CRAG(Corrective Retrieval Augmented Generation)の完全オープンソース版について紹介する。 CRAGは、取得した文書の品質を評価し、修正アクションをトリガーすることにより、RAGシステムの堅牢性を向上させる。 プロプライエタリなWeb検索をWikipedia APIとオリジナルのLLaMA-2ジェネレータで置き換え,Phi-3-mini-4k-インストラクトで置き換える。
  論文  参考訳（メタデータ） (2026-03-17T06:38:00Z)
• SimGR: Escaping the Pitfalls of Generative Decoding in LLM-based Recommendation [68.00727783181289]
  推薦システムの中核的な目的は、パーソナライズされたレコメンデーションを可能にするために、アイテムよりもユーザの好みの分布を正確にモデル化することである。 アイテムレベルの嗜好分布を推定する際に,既存の手法が必然的に系統的バイアスを生じさせることを観察する。 textbfSimply textbfGenerative textbfRecommendation (textbfSimGR)を提案する。
  論文  参考訳（メタデータ） (2026-02-08T07:26:52Z)
• Retrieval-Augmented Generation for Reliable Interpretation of Radio Regulations [49.671779378073886]
  無線規制分野における質問応答について検討する。 本稿では,通信事業者固有のレトリーバル拡張生成(RAG)パイプラインを提案する。 当社のアプローチは,テスト対象モデル全体の生成精度を一貫して向上させる。
  論文  参考訳（メタデータ） (2025-09-11T17:43:42Z)
• Ranking Free RAG: Replacing Re-ranking with Selection in RAG for Sensitive Domains [13.58151841630302]
  本稿では,RAGにおける再ランク付けを合理的な選択手法で置き換える新しい方法であるMETEORAを提案する。 METEORAは、最先端の再評価手法よりも約50%少ないチャンクを使用しながら、生成精度を33.34%向上させる。 敵対的な設定では、METEORAはF1スコアを0.10から0.44に大幅に改善する。
  論文  参考訳（メタデータ） (2025-05-21T20:57:16Z)
• Robust Barycenter Estimation using Semi-Unbalanced Neural Optimal Transport [84.51977664336056]
  本研究では、ロバストな連続バリセンタを推定するための新しいスケーラブルなアプローチを提案する。 提案手法は min-max 最適化問題であり,一般的なコスト関数に適用可能である。
  論文  参考訳（メタデータ） (2024-10-04T23:27:33Z)
• Mind the Backbone: Minimizing Backbone Distortion for Robust Object Detection [52.355018626115346]
  ドメインシフトに対して堅牢なオブジェクト検出器を構築することは、現実世界のアプリケーションにとって重要なことです。 我々は,ゆがみを特徴付けるバックボーンの脆弱性を測定する手段として,相対勾配ノルム(Relative Gradient Norm)を提案する。 両バックボーンのOOD堅牢性を高めるためのレシピを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:50:43Z)

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。