論文の概要: Real-Time Hybrid Retrieval in Hyperbolic Space for Retrieval-Augmented Generation on Edge Devices

• arxiv url: http://arxiv.org/abs/2608.01450v1
• Date: Sun, 02 Aug 2026 19:14:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.24355
• Title: Real-Time Hybrid Retrieval in Hyperbolic Space for Retrieval-Augmented Generation on Edge Devices
• Title（参考訳）: エッジデバイス上での検索拡張生成のための双曲空間におけるリアルタイムハイブリッド検索
• Abstract要約: 本稿では,双曲幾何学のローレンツモデル内で完全に動作するハイブリッド文書検索システムを提案する。 ユークリッド空間に閉じ込められた従来の高密度レトリバーとは異なり、このシステムは事前訓練された単語の埋め込みを双曲空間に提案する。 このシステムは、ユーザが提供するドキュメントのリアルタイムインデックス化と、何万もの適度なサイズのドキュメントに対するリソース効率の高いクエリをサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper presents a hybrid document retrieval system designed for retrieval-augmented generation (RAG) that operates entirely within the Lorentz model of hyperbolic geometry. Unlike conventional dense retrievers confined to Euclidean space, this system projects pretrained word embeddings into hyperbolic space through a learned HyTE-H transformation, whose exponential volume growth suits the hierarchical organization of natural language. Documents are segmented into overlapping chunks, indexed by their Lorentz embeddings, and retrieved through a two-stage pipeline that first applies BM25 lexical scoring, then re-ranks candidates using Lorentzian inner-product similarity. A tunable parameter $α$ blends the BM25 score with the hyperbolic similarity score. The system was evaluated on five datasets from the BEIR benchmark suite, SciFact, NFCorpus, ArguAna, SciDocs, and FiQA, achieving NDCG@10 scores of 0.654, 0.304, 0.342, 0.150, and 0.217 respectively with word embeddings alone, without fine-tuned neural encoders or cross-attention rerankers. The system supports real-time indexing of user-supplied documents and resource-efficient querying over tens of thousands of moderately sized documents, so hyperbolic retrieval can run on edge devices at interactive latencies.
• Abstract（参考訳）: 本稿では,ハイパーボリック幾何のローレンツモデル内で完全に動作する検索拡張生成(RAG)のためのハイブリッド文書検索システムを提案する。 ユークリッド空間に閉じ込められた従来の高密度レトリバーとは異なり、このシステムは、学習されたHyTE-H変換を通じて、事前訓練された単語埋め込みを双曲空間に計画する。 ドキュメントは重なり合うチャンクに分割され、ローレンツの埋め込みによってインデックス付けされ、最初にBM25語彙スコアを適用した2段階のパイプラインを通して検索され、次にローレンツの内積類似性を使って候補を再ランクする。 調整可能なパラメータ$α$は、BM25スコアと双曲類似度スコアをブレンドする。 このシステムは、BEIRベンチマークスイートであるSciFact、NFCorpus、ArguAna、SciDocs、FiQAの5つのデータセットで評価され、それぞれ0.654、0.304、0.342、0.3150、0.217のスコアを得た。 このシステムは、ユーザが提供するドキュメントのリアルタイムインデックス化と、何万もの適度なサイズのドキュメントに対するリソース効率の高いクエリをサポートしており、ハイパーボリック検索は対話的なレイテンシでエッジデバイス上で実行することができる。

関連論文リスト

• REIGN: Refurbished Embeddings with Integrated Guidance Networks for Efficient Context-Length Scaling [0.0]
  REIGNは、生のトークンではなく、凍結したガイダンスネットワーク(GN)からのコンテキスト化されたチャンク埋め込みのシーケンスで動作するバイエンコーダである。 コントラストトレーニングと長期文脈における評価のための,合成長文書検索ベンチマークをリリースする。 2組の重要度試験は、特許上の1.6-4.3倍の大きさのモデルと同等であり、LoCo上の20倍大モデルの0.65 nDCG@10の範囲内に留まる。
  論文  参考訳（メタデータ） (2026-08-30T16:50:38Z)
• eMEM: A Hybrid Spatio-Temporal Memory System For Embodied Agents [1.8047694351309203]
  物理環境で動作するエンボディエージェントのためのハイブリッドグラフベースメモリシステムeMEMを提案する。 eMEMはこのギャップをマルチインデックスアーキテクチャ(構造化ストレージ用ITE、近傍セマンティックサーチ用hlib、空間クエリ用Rツリー)で埋める。 また,eMEM-Bench v1は,メモリ評価のためのProcTHOR-10Kシーン上で構築したベンチマークである。
  論文  参考訳（メタデータ） (2026-06-02T09:22:12Z)
• Inference-Free Multimodal Learned Sparse Retrieval for Production-Scale Visual Document Search [30.80883548177376]
  視覚文書検索のための推論不要スパース検索器であるV-SPLADEを提案する。 V-SPLADEは6つのビジュアルドキュメント検索ベンチマークの平均NDCG@5を、同じスケールの高密度ベースライン上で+13.8pp改善する。 187Mドキュメントコーパスでは、同じスケールの密度のベースライン上でR@5を倍増させる。
  論文  参考訳（メタデータ） (2026-05-29T07:01:45Z)
• No More K-means: Single-Stage Sparse Coding for Efficient Multi-Vector Retrieval [51.43543998583709]
  SSR(Single-stage Sparse Retrieval)は、高価なクラスタリングを効率的なスパースコーディングに置き換えるパラダイムシフトである。 ColBERTv2と比較してインデックス処理時間を15倍短縮し、検索レイテンシを半減させ、同時に検索性能を向上させる。
  論文  参考訳（メタデータ） (2026-05-28T15:53:34Z)
• Semantic Entanglement in Vector-Based Retrieval: A Formal Framework and Context-Conditioned Disentanglement Pipeline for Agentic RAG Systems [0.0]
  埋め込み空間における交叉重なりのモデル相対尺度として意味的絡み合いを定式化する。 埋め込みに先立って文書を再構成する4段階の事前処理フレームワークであるセマンティック・ディスタングルメント・パイプライン(SDP)を紹介した。 約25のサブドメインにわたる2,000以上のドキュメントからなる実世界の企業医療知識ベースでSDPを評価した。
  論文  参考訳（メタデータ） (2026-04-20T00:24:34Z)
• 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)
• Multi-Vector Index Compression in Any Modality [73.7330345057813]
  後期の相互作用は、テキスト、画像、ビジュアルドキュメント、ビデオにおける情報検索の主要なパラダイムとして現れてきた。 インデックス圧縮には,シーケンスリサイズ,メモリトークン,階層プール,新しいアテンション誘導クラスタリング(AGC)の4つのアプローチを導入する。 AGCは、ドキュメントの最もセマンティックな領域をクラスタセントロイドとして識別し、トークンの集合を重み付けするために注意誘導機構を使用する。
  論文  参考訳（メタデータ） (2026-02-24T18:57:33Z)
• HyEm: Query-Adaptive Hyperbolic Retrieval for Biomedical Ontologies via Euclidean Vector Indexing [3.362526994670267]
  本稿では,ハイパーボリック埋め込みを既存のユークリッドANNインフラに組み込む軽量検索層HyEmを提案する。 HyEm 94-98% のユークリッドベースライン性能をエンティティ中心のクエリ上で実証した。
  論文  参考訳（メタデータ） (2026-01-26T07:04:46Z)
• AIRwaves at CheckThat! 2025: Retrieving Scientific Sources for Implicit Claims on Social Media with Dual Encoders and Neural Re-Ranking [0.0]
  Team AIRwavesはCLEF-2025 CheckThat! LabのSubtask 4bで2位にランクインした。 このベースラインを超えるために、 (i) E5-largeをベースとしたデュアルエンコーダを使用する第1ステージ、および (i) SciBERTクロスエンコーダを用いて、バッチとマイニングされたハードネガを使用して微調整を行い、チャンクトークン化とリッチドキュメントメタデータによって強化された第1ステージ、 (ii) ニューラルネットワーク再ランクステージを導入する。
  論文  参考訳（メタデータ） (2025-09-23T19:26:31Z)
• How Does Generative Retrieval Scale to Millions of Passages? [68.98628807288972]
  各種コーパス尺度における生成的検索手法の実証的研究を行った。 我々は8.8Mパスのコーパスで数百万のパスに生成検索をスケールし、モデルサイズを最大11Bパラメータまで評価する。 生成的検索は、小さなコーパス上の最先端のデュアルエンコーダと競合するが、数百万のパスへのスケーリングは依然として重要で未解決の課題である。
  論文  参考訳（メタデータ） (2023-05-19T17:33:38Z)
• Precise Zero-Shot Dense Retrieval without Relevance Labels [60.457378374671656]
  仮説文書埋め込み(英: hypothetical Document Embeddings, HyDE)は、ゼロショット高密度検索システムである。 我々は,HyDEが最先端の非教師付き高密度検索器であるContrieverを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2022-12-20T18:09:52Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)

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。