論文の概要: GuidedRAG: Semantic Steering of Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2607.26071v1
• Date: Fri, 10 Jul 2026 13:14:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.097188
• Title: GuidedRAG: Semantic Steering of Retrieval-Augmented Generation
• Title（参考訳）: GuidedRAG:Retrieval-Augmented Generationのセマンティックステアリング
• Abstract要約: 従来のレトリーバル拡張世代(RAG)の新たな拡張である GuidedRAG を提案する。 GuidedRAGは、検索前のセマンティクスを用いて知識ベースを制約し、検索空間をユーザ意図と整合させ、検索空間を大幅に削減する。 評価の結果, GuidedRAGの検索精度は14.0～15.8%向上し,検索精度19.7～27.4%低下し,検索オーバーヘッドを桁違いに低減した。
• 参考スコア（独自算出の注目度）: 0.4369550829556578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose GuidedRAG, a novel extension to traditional Retrieval-Augmented Generation (RAG) that introduces a dedicated selection stage and semantic steering during retrieval. In contrast to current state-of-the-art RAG approaches, which depend on increasingly complex retrieval and knowledge structures, GuidedRAG constrains the knowledge base using semantics before retrieval, aligning the retrieval space with user intent while substantially reducing the search space. Our evaluation shows that GuidedRAG improves retrieval relevance by 14.0-15.8%, mitigates a 19.7-27.4% loss in retrieval precision, and reduces retrieval overhead by orders of magnitude. Moreover, relevant chunks are consistently retrieved earlier in the ranking process, while alignment with user intent improves by 31.8-36.8%. We further show that GuidedRAG achieves full coverage across 15 diverse RAG variants, demonstrating generalizability across the literature. Together, these findings establish semantic steering and selections as a powerful and generalizable paradigm for improving the current state-of-the-art in RAG.
• Abstract（参考訳）: 本稿では,従来の検索機能拡張生成(RAG)の新たな拡張である GuidedRAG を提案し,検索中に専用の選択ステージとセマンティックステアリングを導入する。 より複雑な検索と知識構造に依存している現在の最先端RAGアプローチとは対照的に、 GuidedRAGは検索の前に意味論を用いて知識ベースを制約し、検索空間をユーザ意図と整合させ、検索空間を大幅に削減する。 評価の結果, GuidedRAGの検索精度は14.0～15.8%向上し,検索精度19.7～27.4%低下し,検索オーバーヘッドを桁違いに低減した。 さらに、関連するチャンクはランキングプロセスの早期に常に検索され、ユーザの意図と整合性は31.8-36.8%向上した。 さらに, GuidedRAGは15種類のRAG変異体を網羅し,文献間の一般化性を示す。 これらの知見は,RAGの最先端技術を改善するための,強力で一般化可能なパラダイムとして,セマンティックステアリングとセレクションを確立した。

関連論文リスト

• NaviRAG: Towards Active Knowledge Navigation for Retrieval-Augmented Generation [50.16741209529908]
  NaviRAGは、パッシブセグメント検索からアクティブな知識ナビゲーションに移行する新しいフレームワークである。 NaviRAGは従来のRAGベースラインよりも検索リコールとエンドツーエンドの応答性能を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-04-14T14:07:01Z)
• DA-RAG: Dynamic Attributed Community Search for Retrieval-Augmented Generation [35.30060374506784]
  この文脈における一般的な技術的アプローチは、グラフベースのRAG(G-RAG)である。 本稿では,属性付きコミュニティ検索(ACS)を利用して,問合せ質問に基づいて関連部分グラフを動的に抽出するDA-RAGを提案する。 複数のデータセット上でDA-RAGを評価し,従来のRAG法を最大40%上回る性能を示した。
  論文  参考訳（メタデータ） (2026-02-09T11:45:13Z)
• Enhancing Retrieval Augmentation via Adversarial Collaboration [50.117273835877334]
  我々は「検索幻覚」に対処するため、Adrial Collaboration RAG(AC-RAG)フレームワークを提案する。 AC-RAGは、知識ギャップを識別するジェネリスト検出器と、正確な解決策を提供するドメイン特化リゾルバという2つの異種エージェントを使用している。 実験により、AC-RAGは検索精度を大幅に向上し、様々な垂直領域における最先端RAG法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-18T08:54:20Z)
• Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
  Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。 逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。 この調査は両鎖を統一的推論-検索の観点から合成する。
  論文  参考訳（メタデータ） (2025-07-13T03:29:41Z)
• Accelerating Adaptive Retrieval Augmented Generation via Instruction-Driven Representation Reduction of Retrieval Overlaps [16.84310001807895]
  本稿では,A-RAG法に適用可能なモデルに依存しないアプローチを提案する。 具体的には、キャッシュアクセスと並列生成を使用して、それぞれプリフィルとデコードステージを高速化する。
  論文  参考訳（メタデータ） (2025-05-19T05:39:38Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Self-Routing RAG: Binding Selective Retrieval with Knowledge Verbalization [95.85537087475882]
  既存のアプローチは、大規模言語モデル(LLM)の固有の知識を過小評価している。 本稿では,選択検索と知識の言語化を結びつける新しいフレームワークであるSelf-Routing RAGを提案する。 SR-RAGは検索回数を29%削減し、性能は5.1%向上した。
  論文  参考訳（メタデータ） (2025-04-01T17:59:30Z)
• OpenRAG: Optimizing RAG End-to-End via In-Context Retrieval Learning [13.181087031343619]
  本稿では,レトリバーを調整してコンテキスト内の関連性を捉えることで,エンドツーエンドに最適化されたRAGフレームワークであるOpenRAGを紹介する。 幅広いタスクにわたる実験により、OpenRAGは、レトリバーをエンドツーエンドにチューニングすることで、元のレトリバーよりも4.0%の一貫した改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2025-03-11T13:04:05Z)
• 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)

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。