論文の概要: RH-RAG: Trustworthy Long-Form Generation for Privacy-Constrained Settings

• arxiv url: http://arxiv.org/abs/2608.01311v1
• Date: Sun, 02 Aug 2026 15:27:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.159801
• Title: RH-RAG: Trustworthy Long-Form Generation for Privacy-Constrained Settings
• Title（参考訳）: RH-RAG:プライバシー制約設定のための信頼できる長期生成
• Abstract要約: RH-RAGは、ローカル言語モデルを用いた安全で信頼性の高いロングフォーム生成のためのフレームワークである。 生成を3つの調整段階に分解する: 意味的な要約から大域的なドキュメントの概要を構築するプランナーエージェント、一貫性のある部分的コンテンツを漸進的に生成するライターエージェント、自然言語の推論に基づく事実検証を通じて幻覚を緩和するチェッカーエージェント。 RH-RAGは、文学的、経済的、法的領域にわたる評価により、事実的根拠、セマンティック・コヒーレンス、文書レベルのアライメントを一貫して改善することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating long-form content from extensive internal reports remains challenging for organizations operating under strict privacy and security constraints, where proprietary cloud-based LLM APIs are often not viable. While locally deployed open-weight models offer a privacy-preserving alternative, existing retrieval-augmented generation (RAG) approaches on smaller models frequently lack effective global planning and accumulate factual inconsistencies over long outputs. To address these limitations, we present RH-RAG, a multi-agent framework for secure and trustworthy long form generation using local language models. RH-RAG decomposes generation into three coordinated stages: a Planner Agent that constructs a global document outline from high-level semantic summaries, a Writer Agent that incrementally generates coherent section-wise content using bounded coherence memory, and a Checker Agent that mitigates hallucinations through natural language inference-based factual verification and an attestation-driven revision loop. The framework further employs a dual-level retrieval index that supports efficient planning and fine-grained contextual generation on consumer-grade hardware. Evaluations across literary, financial, and legal domains demonstrate that RH-RAG consistently improves factual grounding, semantic coherence, and document-level alignment compared to standard and hierarchical RAG baselines, while achieving reliability competitive with proprietary cloud-based systems without compromising data privacy.
• Abstract（参考訳）: プロプライエタリなクラウドベースのLLM APIが実行不可能な、厳格なプライバシとセキュリティ制約の下で運用する組織にとって、広範な内部報告から長文コンテンツを生成することは依然として難しい。 ローカルにデプロイされたオープンウェイトモデルは、プライバシを保存する代替手段を提供するが、より小さなモデルに対する既存の検索強化世代(RAG)アプローチは、効果的なグローバルプランニングを欠き、長いアウトプットに対する事実的不整合を蓄積することが多い。 これらの制約に対処するため、RH-RAGは、ローカル言語モデルを用いて、安全で信頼性の高いロングフォーム生成のためのマルチエージェントフレームワークである。 RH-RAGは生成を3つの調整段階に分解する: 高レベルなセマンティックサマリーから大域的なドキュメントの概要を構築するプランナーエージェント、境界コヒーレンスメモリを用いてコヒーレントなセクションワイドコンテンツを生成するライターエージェント、自然言語の推論に基づく事実検証と証明駆動リビジョンループを通じて幻覚を緩和するチェッカーエージェント。 このフレームワークはさらに、コンシューマグレードハードウェア上で効率的な計画ときめ細かいコンテキスト生成をサポートするデュアルレベル検索インデックスを採用している。 RH-RAGは、データプライバシを損なうことなく、プロプライエタリなクラウドベースのシステムと競合する信頼性を確保しながら、標準的なRAGベースラインと階層的なRAGベースラインと比較して、事実的基盤、セマンティックコヒーレンス、ドキュメントレベルのアライメントを一貫して改善する。

関連論文リスト

• Structure-Aware RAG: Structured Retrieval Augmented Generation from Noisy Data for Conversational Agents [68.52563127206808]
  SA-RAG(Structure-aware Retrieval Augmented Generation)は、テーブルを中間構造表現として使用して、コンパクトで制御可能なインターフェースを提供する。 メタデータの正規化と有効性をモデル化する品質対応のテーブルメタデータ生成フレームワークを提案する。 2つのノイズの多い実世界のデータセットの実験は、SA-RAGが既存のRAGベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-23T03:07:33Z)
• Enhancing Legal LLMs through Metadata-Enriched RAG Pipelines and Direct Preference Optimization [0.3823356975862005]
  LLM(Large Language Models)は、短い文脈でよく機能するが、長い法律文書では劣化する。 精度が重要な法的領域では、そのようなエラーは信頼性と信頼を損なう。 法定コーパスにおける語彙冗長性による検索誤りと、文脈不足にもかかわらずモデルが回答を生成するデコード誤りの2つの障害モードを同定する。
  論文  参考訳（メタデータ） (2026-02-25T06:39:37Z)
• ZeroGR: A Generalizable and Scalable Framework for Zero-Shot Generative Retrieval [125.19156877994612]
  生成検索(GR)は、情報検索(IR)を文書識別子(ドシデント)の生成としてフレーミングすることによって再構成する 我々は、自然言語命令を利用して幅広いIRタスクにわたってGRを拡張するゼロショット生成検索フレームワークであるtextscZeroGRを提案する。 具体的には、textscZeroGRは、3つのキーコンポーネントで構成されている: (i)不均一な文書を意味的に意味のあるドシデントに統一するLMベースのドシデントジェネレータ; (ii)自然言語タスク記述から様々なタイプのクエリを生成し、拡張する命令チューニングクエリジェネレータ。
  論文  参考訳（メタデータ） (2025-10-12T03:04:24Z)
• RAG-IGBench: Innovative Evaluation for RAG-based Interleaved Generation in Open-domain Question Answering [50.42577862494645]
  本稿では,RAG-IG(Retrieval-Augmented Generation)に基づくインターリーブドジェネレーション(Interleaved Generation)の課題を評価するためのベンチマークであるRAG-IGBenchを提案する。 RAG-IGは、MLLM(Multimodal large language model)と検索機構を統合し、モデルがコヒーレントなマルチモーダルコンテンツを生成するための外部画像テキスト情報にアクセスできるようにする。
  論文  参考訳（メタデータ） (2025-10-11T03:06:39Z)
• ReliabilityRAG: Effective and Provably Robust Defense for RAG-based Web-Search [69.60882125603133]
  本稿では,検索した文書の信頼性情報を明確に活用する,敵対的堅牢性のためのフレームワークであるReliabilityRAGを提案する。 我々の研究は、RAGの回収されたコーパスの腐敗に対するより効果的で確実に堅牢な防御に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2025-09-27T22:36:42Z)
• Retrieval-augmented reasoning with lean language models [5.615564811138556]
  複雑なドメイン固有のクエリを解釈できる検索拡張会話エージェントを開発した。 本システムでは,細調整されたQwen2.5-Instructモデルと高密度レトリバーを統合した。 すべての実装の詳細とコードは、ドメイン間のサポートと適応のために公開されています。
  論文  参考訳（メタデータ） (2025-08-15T10:38:15Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• C-FedRAG: A Confidential Federated Retrieval-Augmented Generation System [7.385458207094507]
  我々は、FedRAG(Federated Retrieval Augmented Generation)をセキュアにするためのソリューションとして、CC(Confidential Computing)技術を紹介する。 提案するConfidential FedRAGシステム(C-FedRAG)は、コンテキスト機密性を確保することにより、分散化されたデータプロバイダのネットワークをまたいだRAGのセキュアな接続とスケーリングを可能にする。
  論文  参考訳（メタデータ） (2024-12-17T18:42:21Z)
• FRAG: Toward Federated Vector Database Management for Collaborative and Secure Retrieval-Augmented Generation [1.3824176915623292]
  本稿では,検索集約システム (RAG) のニーズの増大に対応する新しいデータベース管理パラダイムである textitFederated Retrieval-Augmented Generation (FRAG) を紹介する。 FRAGは、ANN(Approximate $k$-Nearest Neighbor)による、暗号化されたクエリベクタと分散ベクトルデータベースに格納された暗号化データ検索を相互に行うことができる。
  論文  参考訳（メタデータ） (2024-10-17T06:57:29Z)
• SFR-RAG: Towards Contextually Faithful LLMs [57.666165819196486]
  Retrieval Augmented Generation (RAG) は、外部コンテキスト情報を大言語モデル(LLM)と統合し、事実の精度と妥当性を高めるパラダイムである。 SFR-RAG(SFR-RAG)について述べる。 また、複数の人気かつ多様なRAGベンチマークをコンパイルする新しい評価フレームワークであるConBenchについても紹介する。
  論文  参考訳（メタデータ） (2024-09-16T01:08:18Z)

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。