論文の概要: LENS: In-Context Search via Latent Evidence Exploration over Dynamic Raw Documents
- arxiv url: http://arxiv.org/abs/2608.16185v2
- Date: Tue, 18 Aug 2026 06:51:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 13:45:32.98259
- Title: LENS: In-Context Search via Latent Evidence Exploration over Dynamic Raw Documents
- Title（参考訳）: LENS: 動的生文書による潜時証拠探索によるインコンテキスト検索
- Abstract要約: LLMエージェントは、動的な生文書コレクションに関する質問に答える傾向にある。
既存の検索強化アプローチは、固定されたチャンキング、埋め込み、永続的なインデックスを通じて証拠を物質化する。
本稿では,LENS(Latent Evidence Exploration and Search)をインデックスフリーフレームワークとして提案する。
- 参考スコア（独自算出の注目度）: 12.773909472873443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LLM agents increasingly answer questions over dynamic raw-document collections, where files may change before preprocessing, and relevant evidence (spans, sections, pages, or tables) is query-dependent. Existing retrieval-augmented approaches pre-materialize evidence via fixed chunking, embeddings, or persistent indexes: effective for lookup, yet costly, stale-prone, and committed to a granularity before the query is known. We formulate in-context search as Budgeted Evidence Localization over a latent evidence space induced by dynamic raw documents and propose LENS (Latent Evidence Exploration and Search), an index-free framework. Instead of pre-materializing the evidence space, LENS maintains a query-conditioned belief over candidate units, iteratively selecting candidates via complementary lexical, local, and exploratory proposal policies, updating the belief via an LLM relevance oracle, and narrowing toward high-posterior regions under a controllable budget. Evidence is consolidated into compact, source-grounded regions of interest and compressed into self-organizing knowledge clusters reused across related queries. On a controlled 500-question evaluation with matched corpus snapshots, LENS reaches 62.4% exact match and 84.8% evidence recall vs. 65.2% exact match but 50.4% evidence recall for a ReAct-style baseline. Across scales, LENS gives the strongest supporting-fact localization and answer grounding. On a fixed 150-question fullwiki subset over the raw Wikipedia dump with zero indexing, LENS and ReAct are nearly tied in official answer quality (43.3% vs. 42.7% EM), with LENS grounding more answers in retrieved evidence (84.0% vs. 70.7%). A no-retrieval Closed-Book reference highlights the contribution of model memory. LENS is query-ready after corpus changes, needs no preprocessing or persistent index, and preserves source-grounded evidence localization throughout.
- Abstract（参考訳）: LLMエージェントは、ファイルが前処理前に変更される可能性がある動的な生文書コレクションに関する質問に答えるようになり、関連するエビデンス(スパン、セクション、ページ、テーブル)はクエリに依存している。
既存の検索強化アプローチは、固定されたチャンキング、埋め込み、永続的なインデックスによって証拠を前もって物質化する。
動的生文書によって誘導される潜伏証拠空間上での予算エビデンス・ローカライゼーション(Budgeted Evidence Localization)としてコンテキスト内検索を定式化し,インデックスのないフレームワークであるLENS(Latent Evidence Exploration and Search)を提案する。
証拠スペースを事前に具現化する代わりに、LENSは、候補ユニットに対するクエリ条件付き信念を維持し、補足的語彙、局所的、探索的提案ポリシーを介して候補を反復的に選択し、LLMレバレンス・オラクルを通じて信条を更新し、制御可能な予算の下で高位の地域に向けて絞り込む。
証拠は、コンパクトでソースを基盤とした興味のある領域に集約され、関連するクエリで再利用された自己組織化知識クラスタに圧縮される。
マッチしたコーパスのスナップショットによる500クエスト評価では、LENSは62.4%の正確な試合、84.8%の証拠リコール、65.2%の正確な試合、50.4%の証拠リコールを達成した。
スケール全体にわたって、LENSは最も強力なサポートファクトローカライゼーションと回答グラウンドを提供する。
LENSとReActは公式の回答品質(43.3% vs. 42.7% EM)にほぼ結びついており、LENSは検索された証拠(84.0% vs. 70.7%)で回答を裏付けている。
no-retrieval Closed-Book参照はモデルメモリのコントリビューションを強調している。
LENSはコーパスの変更後にクエリ対応で、前処理や永続的なインデックスを必要としない。
関連論文リスト
- VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。
100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。
強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
論文 参考訳（メタデータ） (2026-08-18T15:23:06Z) - ADORE: Iterative Query Expansion with Retrieval-Grounded Relevance Feedback [22.297275934519345]
効率的な拡張には,単一パス生成や未検証イテレーションだけでなく,検索地上からのフィードバックが必要である,と我々は主張する。
我々は、検索結果を次の拡張のためのフィードバックに変換する反復的なフレームワークであるADOREを紹介する。
TREC Deep Learning、BEIR、BRIGHTの他、ADOREは強いクエリ拡張ベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-06-11T20:52:37Z) - MultiHaystack: Benchmarking Multimodal Retrieval and Reasoning over 40K Images, Videos, and Documents [57.32877731797049]
MultiHaystackは、大規模なクロスモーダル条件下での検索と推論の両方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。
モデルが対応するエビデンスを付与した場合,その性能は,全コーパスからそのエビデンスを取得するために必要な場合,急激に低下することがわかった。
論文 参考訳（メタデータ） (2026-03-05T21:43:02Z) - SAGE: Benchmarking and Improving Retrieval for Deep Research Agents [60.53966065867568]
SAGEは4つの科学領域にわたる1200のクエリからなる科学文献検索のためのベンチマークであり、20万の論文検索コーパスを備える。
6つのディープ・リサーチ・エージェントを評価し,全てのシステムが推論集約的な検索に苦しむことを発見した。
BM25は、既存のエージェントがキーワード指向のサブクエリを生成するため、LLMベースのレトリバーを約30%上回っている。
論文 参考訳（メタデータ） (2026-02-05T18:25:24Z) - RAC: Retrieval-Augmented Clarification for Faithful Conversational Search [7.0486278653981245]
RAC(Retrieval-Augmented Clarification)は,コーパスに忠実な質問を生成するためのフレームワークである。
検索のための索引付け戦略を比較した後、研究コンテキストを最適に活用するために、大規模言語モデルを微調整する。
提案手法は,提案手法を適用せず,検索した経路によって支持される質問を優先するために,コントラッシブな選好最適化を適用する。
論文 参考訳（メタデータ） (2026-01-16T19:16:38Z) - Hybrid Retrieval-Augmented Generation for Robust Multilingual Document Question Answering [0.3376269351435395]
大規模なデジタル化のイニシアチブは、多くの歴史新聞を解き放った。
雑音の多い歴史文書に対する質問応答に特化して設計された多言語検索型拡張生成パイプラインを開発し,評価する。
論文 参考訳（メタデータ） (2025-12-14T13:57:05Z) - DIVER: A Multi-Stage Approach for Reasoning-intensive Information Retrieval [36.38599923075882]
DIVERは、推論集約的な情報検索のために設計された検索パイプラインである。
ドキュメント前処理ステージ、クエリ拡張ステージ、検索ステージ、再ランクステージの4つのコンポーネントで構成されている。
BRIGHTベンチマークでは、DIVERは最先端のnDCG@10スコアを45.8点、オリジナルクエリでは28.9点と達成し、競争力のある推論モデルを上回っている。
論文 参考訳（メタデータ） (2025-08-11T13:57:49Z) - ClueAnchor: Clue-Anchored Knowledge Reasoning Exploration and Optimization for Retrieval-Augmented Generation [82.54090885503287]
Retrieval-Augmented Generationは、外部知識を持つ大規模言語モデルを拡張して、事実性を改善する。
既存のRAGシステムは、忠実で解釈可能な推論をサポートするために必要な重要な手がかりを抽出して統合することができない。
本稿では,手掛かり付き推論探索と最適化によるRAG向上のための新しいフレームワークであるClueAnchorを提案する。
論文 参考訳（メタデータ） (2025-05-30T09:18:08Z) - ECLIPSE: Contrastive Dimension Importance Estimation with Pseudo-Irrelevance Feedback for Dense Retrieval [14.72046677914345]
近年のInformation Retrievalは、高次元埋め込み空間を活用して、関連文書の検索を改善している。
これらの高次元表現にもかかわらず、クエリに関連する文書は、低次元のクエリ依存多様体に存在する。
本稿では,関連文書と非関連文書の両方からの情報を活用することによって,これらの制約に対処する手法を提案する。
論文 参考訳（メタデータ） (2024-12-19T15:45:06Z) - BRIGHT: A Realistic and Challenging Benchmark for Reasoning-Intensive Retrieval [54.54576644403115]
BRIGHTは、関係する文書を検索するために、集中的推論を必要とする最初のテキスト検索ベンチマークである。
私たちのデータセットは、経済学、心理学、数学、コーディングなど、さまざまな領域にまたがる1,384の現実世界のクエリで構成されています。
クエリに関する明示的な推論を取り入れることで、検索性能が最大12.2ポイント向上することを示す。
論文 参考訳（メタデータ） (2024-07-16T17:58:27Z) - Attribute or Abstain: Large Language Models as Long Document Assistants [58.32043134560244]
LLMは人間が長い文書を扱うのを助けることができるが、幻覚で知られている。
既存の属性に対するアプローチはRAG設定でのみ評価されている。
これは、検索が不要な長いドキュメント設定とは大きく異なるが、助けになる可能性がある。
そこで本研究では,6種類の多種多様文書タスクのベンチマークであるLABと,異なる大きさの5つのLLMに対する属性に対する異なるアプローチの実験を行う。
論文 参考訳（メタデータ） (2024-07-10T16:16:02Z) - SuRe: Summarizing Retrievals using Answer Candidates for Open-domain QA of LLMs [85.54906813106683]
大規模言語モデル(LLM)を用いたオープンドメイン質問応答(ODQA)の簡易かつ効果的なフレームワークを提案する。
SuRe は LLM が与えられた質問に対するより正確な回答を予測するのに役立つ。
様々なODQAベンチマークの実験結果はSuReの優位性を示し、標準的なプロンプトアプローチよりも4.6%、F1スコアが4.0%向上した。
論文 参考訳（メタデータ） (2024-04-17T01:15:54Z)
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。