Fugu-MT 論文翻訳(概要): ScalableRAG: High-Quality RAG at Zero Ingestion Cost

論文の概要: ScalableRAG: High-Quality RAG at Zero Ingestion Cost

arxiv url: http://arxiv.org/abs/2607.25135v1
Date: Mon, 27 Jul 2026 23:03:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-29 20:50:42.651143
Title: ScalableRAG: High-Quality RAG at Zero Ingestion Cost
Title（参考訳）: ScalableRAG: 摂食コストゼロで高品質なRAG
Abstract要約: 私たちのソリューションは、ここで考慮された6つのコーパスのうち3つですべてのベースラインを上回り、残りの3つでは最大性能が失われています。ドキュメントセットと値セットのワークスペースを保持して、それを書き込んで読み取ることで、オンザフライの集約的推論を可能にします。
参考スコア（独自算出の注目度）: 1.9677049100914374
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent advances in RAG aim to optimize for performance by paying high ingestion costs for knowledge ingestion: building knowledge graphs or extracting SQL tables. In this work we show that the operations that such knowledge bases allow can be replicated with zero ingestion costs (not even a vector database); in fact our solution, Zero-Ingestion ScalableRAG, handily out-performs all baselines (including knowledge graph approaches) in three out of the six corpora considered here, and only marginally missing maximum performance on the other three, with average accuracy across all six datasets 7.36% above the next most competitive baseline. It achieves this by keeping a workspace of document sets and values sets that it can write into and read from, allowing for on-the-fly aggregative reasoning in all situations where grouping is required on a primary key that is in one to one correspondence with a subset of the total document set. Capping the number of LLM calls by a constant independent of the corpus size, we also introduce Limited-Ingestion ScalableRAG, which does use a minimal vector database as well as an automated pattern discovery from a sample of documents, to further improve accuracy at scale. Our code is available at https://github.com/cohesity/ScalableRAG .
Abstract（参考訳）: RAGの最近の進歩は、知識摂取のための高い摂取コスト、すなわち知識グラフの構築やSQLテーブルの抽出によって、パフォーマンスを最適化することを目的としている。本稿では,これらの知識ベースが許容する操作を,ゼロ・インジェクション・スケーラビリティRAG(Zero-Ingestion ScalableRAG)によるゼロ・インジェクション・データベース(Zero-Ingestion ScalableRAG)によるゼロ・インジェクション・データベース(Zero-Ingestion ScalableRAG)によるゼロ・インジェクション・データベース(Zero-Ingestion ScalableRAG)によるゼロ・インジェクション・データベース(Zero-Ingestion ScalableRAG)で再現可能であることを示す。これは、ドキュメントセットのワークスペースと、それが書き込むことができる値セットを保持し、全ドキュメントセットのサブセットと1対1の対応を持つプライマリキーにグループ化が要求されるすべての状況において、オンザフライの集約的推論を可能にする。コーパスサイズに依存しないLCM呼び出しの数を一定に保ちながら,最小限のベクトルデータベースと文書のサンプルからの自動パターン発見を併用したLimited-Ingestion ScalableRAGを導入し,精度をさらに向上させる。私たちのコードはhttps://github.com/cohesity/ScalableRAGで利用可能です。

関連論文リスト

Agentic GraphRAG: Navigating Unstructured Financial Data with Collaborative AI [0.28647133890966986]
本稿では,商用レジストリデータのエキスパート分析のための協調エージェントGraphRAGフレームワークを提案する。当社のアプローチでは,3フェーズパイプラインを通じてNeo4jナレッジグラフを構築しています。 Human-in-the-loopダッシュボードは、エビデンスと実行トレースを公開して、透明性と監査性をサポートする。
論文参考訳（メタデータ） (2026-04-15T16:16:14Z)
TRUST-SQL: Tool-Integrated Multi-Turn Reinforcement Learning for Text-to-SQL over Unknown Schemas [22.65474240295148]
我々はTRUST(Truthful Reasoning with Unknown via Tools)を提案する。我々は,このタスクを,自律エージェントが構造化された4相プロトコルを用いて検証された推論を行う部分観測可能なマルコフ決定プロセスとして定式化する。トークンレベルマスキングの利点を適用することで、この戦略は、調査報酬を実行結果から分離し、クレジットの割り当てを解決する。
論文参考訳（メタデータ） (2026-03-17T12:30:42Z)
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)
Towards Global Retrieval Augmented Generation: A Benchmark for Corpus-Level Reasoning [50.27838512822097]
我々は,グローバルRAG機能を評価するために設計された最初のベンチマークであるGlobalQAを紹介する。我々は,チャンクレベルの検索によって構造的コヒーレンスを保存するマルチツール協調フレームワークであるGlobalRAGを提案する。 Qwen2.5-14Bモデルでは、GlobalRAGは最強のベースラインである1.51 F1と比較して6.63 F1を達成した。
論文参考訳（メタデータ） (2025-10-30T07:29:14Z)
RAG over Tables: Hierarchical Memory Index, Multi-Stage Retrieval, and Benchmarking [63.253294691180635]
現実世界のシナリオでは、純粋なテキスト以外では、かなりの量の知識がテーブルに格納される。まず、階層型メモリインデックス、多段階検索、グラフ認識プロンプトからなるテーブルコーパス対応RAGフレームワークT-RAGを提案する。
論文参考訳（メタデータ） (2025-04-02T04:24:41Z)
Benchmarking Multimodal RAG through a Chart-based Document Question-Answering Generation Framework [17.838177710655287]
MRAG(Multimodal Retrieval-Augmented Generation)は、外部知識を統合することで推論能力を向上させる。既存のベンチマークは主に、現実世界のアプリケーションで広く使われているチャートのような複雑なビジュアルフォーマットを見渡す、単純な画像とテキストのインタラクションに焦点を当てている。本稿では、構造化キーポイント抽出、クロスモーダル検証、キーポイントベース生成による評価データを生成するフレームワークであるCHARGE(CHARt-based document question-anwering GEneration)を提案する。
論文参考訳（メタデータ） (2025-02-20T18:59:42Z)
KG-CF: Knowledge Graph Completion with Context Filtering under the Guidance of Large Language Models [55.39134076436266]
KG-CFはランキングベースの知識グラフ補完タスクに適したフレームワークである。 KG-CFは、LLMの推論能力を活用して、無関係なコンテキストをフィルタリングし、現実世界のデータセットで優れた結果を得る。
論文参考訳（メタデータ） (2025-01-06T01:52:15Z)
TOBUGraph: Knowledge Graph-Based Retrieval for Enhanced LLM Performance Beyond RAG [3.3593672127922836]
TOBUGraphは、構造化されていないデータから知識グラフを構築するグラフベースの検索フレームワークである。構造化された知識とデータ間の多様な関係を抽出し、RAGのテキストとテキストの類似性を超えた。 ToBUGraphの有効性を実証する。TOBUは、個人記憶の組織化と検索のための実世界のアプリケーションである。
論文参考訳（メタデータ） (2024-12-06T22:05:39Z)
GraphTeam: Facilitating Large Language Model-based Graph Analysis via Multi-Agent Collaboration [31.07238612043854]
GraphTeamは3つのモジュールから5つのLLMベースのエージェントで構成されており、異なる特殊性を持つエージェントは複雑な問題に対処するために協力することができる。 6つのグラフ分析ベンチマークの実験は、GraphTeamが最先端のパフォーマンスを達成し、精度の点で最高のベースラインよりも平均25.85%改善していることを示している。
論文参考訳（メタデータ） (2024-10-23T17:02:59Z)
Can Large Language Models Analyze Graphs like Professionals? A Benchmark, Datasets and Models [70.03602551880526]
グラフを処理するために,大規模言語モデル(LLM)のベンチマークであるProGraphを導入する。その結果,現在のLCMの性能は不満足であり,最高のモデルでは36%の精度しか達成できないことがわかった。本研究では,6つの広く使用されているグラフライブラリに基づいて,クローリングされたドキュメントと自動生成コードを含むLLM4Graphデータセットを提案する。
論文参考訳（メタデータ） (2024-09-29T11:38:45Z)
Optimizing LLM Queries in Relational Data Analytics Workloads [50.95919232839785]
バッチデータ分析は、Large Language Models(LLMs)の急成長するアプリケーションである LLMは、分類、エンティティ抽出、翻訳などの幅広い自然言語タスクを、大規模なデータセット上で実行可能にする。本稿では,LLMコールによるリレーショナルデータ解析処理のコストを大幅に削減できる新しい手法を提案する。
論文参考訳（メタデータ） (2024-03-09T07:01:44Z)

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。