論文の概要: More Context, Same Budget: Dual-Bounded Relational Recall Beyond Top-K Retrieval

• arxiv url: http://arxiv.org/abs/2608.18448v1
• Date: Wed, 19 Aug 2026 02:23:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.256541
• Title: More Context, Same Budget: Dual-Bounded Relational Recall Beyond Top-K Retrieval
• Title（参考訳）: 2つの境界を持つリレーショナルリコールは、トップK検索を超えている
• Abstract要約: より多くの文脈で検索予算は必要とされない。同じ天井で、検索システムは、平坦なトップkランキングが残す関係を追従することによって、より多くの質問を回収することができる。 同じ文脈の予算の下では、完全証拠検索はどのランクの項目が最も高いかだけでなく、文脈にも依存することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: More context does not require a larger retrieval budget. Under the same ceiling, a retrieval system can recover more of the evidence a question requires by following relationships between evidence that flat top-k ranking leaves behind. We test that proposition with Dual-Bounded Relational Recall (DBRR), which allocates a fixed retrieval budget between relevance-selected seeds and bounded graph-adjacent context, against matched flat top-k retrieval using the same relevance-ranking stage and the same maximum number of retrieval units and tokens. The outcome is complete recovery of the official HotpotQA supporting-evidence set for each question. Across 7,405 FullWiki questions, the Primary DBRR allocation increased complete supporting-evidence recovery by 23.8 percentage points over its matched flat baseline (paired risk difference 0.2377; question-level bootstrap 95% interval 0.2269 to 0.2489). It improved 1,952 questions, tied on 5,261, and harmed 192. Bridge questions drove the effect, with a 28.7-point increase; comparison questions showed a smaller 4.2-point difference. In a prespecified, evaluation-only diagnostic population, real relationships also outperformed random-neighbor and degree-preserving shuffled-graph controls. The result is straightforward: under the same context budget, complete-evidence retrieval depends not only on which items rank highest, but on how context is allocated around them. Relational allocation recovered complete evidence sets that flat top-k retrieval left incomplete.
• Abstract（参考訳）: より多くのコンテキストは、より大きな検索予算を必要としない。 同じ天井の下では、検索システムは、平坦なトップkランキングが残る証拠の間の関係を従えば、必要となる証拠をより多く回収することができる。 我々は, 関連性選択された種子と有界グラフとの境界付き文脈の間に一定の検索予算を割り当てるDBRR(Dual-Bounded Relational Recall)を用いて, 同一の関連性レベルと同一の検索単位とトークンの最大数を用いた一致した平坦なトップk検索に対して, その提案を検証した。 結果は、各質問に対する公式HotpotQAサポートエビデンスセットの完全回復である。 7,405のFullWiki質問で、プライマリDBRR割り当ては、一致したフラットベースラインに対して23.8ポイントの完全なサポート・エビデンス・リカバリを増大させた(リスク差0.2377、質問レベルのブートストラップ95%のインターバル0.2269から0.2489)。 1,952の質問を改善し、5,261に縛り付けられ、192人が負傷した。 橋の質問は28.7ポイント増加し、比較の質問は4.2ポイント差を小さくした。 事前に特定された評価のみの診断集団では、実際の関係性はランダムな隣人や等級保存のシャッフルグラフ制御よりも優れていた。 同じ文脈予算の下では、完全証拠検索は、どのアイテムが最も上位にランクされているかだけでなく、その周囲のコンテキストがどのように割り当てられているかにも依存する。 リレーショナルアロケーション 復元された完全証拠は、平坦なトップk検索は不完全である。

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)
• Difficulty-Gated Fusion of Reasoning Views for Temporal Retrieval [22.82938587928396]
  推論集約的な時間的検索は、共有時間的推論に依存している文書とクエリをマッチングする必要がある。 そこで本研究では,問合せに難渋した推論ビューの融合を提案する。
  論文  参考訳（メタデータ） (2026-08-09T22:31:49Z)
• SEER: A Self-Grounded Evidence Interface for Controlled Spatial Relation Classification [71.9783246097687]
  SEERは、ペアローカライゼーション中の候補関係を隠蔽し、明示的な主観的/対象的役割を持つクエリ固有ビューを構築し、補完的な証拠として完全なイメージとスパースボックス幾何学を保持する。 正確な逆サポートを持つ関係選択プロトコルでは、オプションリファインメントがエンティティロールを交換し、正確に1つの視覚状態が対応する逆関係に従う場合にのみ前方決定を変更する。 変更されていないプロトコルは、3つのモデルにまたがる2,434個のフィルター付きEmbSpatialペア関係質問に対して +4.35 から +11.79 を得る。
  論文  参考訳（メタデータ） (2026-08-04T13:16:15Z)
• Beyond Self-Knowledge: Propagating Uncertainty Across Reasoning and Retrieval in LLMs [4.476374205849672]
  ブラックボックス言語モデルの言語的信頼度は、検索ルーティングのための実用的な信号として機能する。 6つのQAベンチマーク、3つのモデルファミリー、3つの検索ポリシーで27,000のポリシーインスタンスを評価した。
  論文  参考訳（メタデータ） (2026-07-28T11:30:25Z)
• Semantically Similar, Logically Distinct: Diagnosing the Semantic-Answerability Gap in Table RAG [19.520645305356066]
  検索されたテーブルは、問い合わせに答える十分な証拠がないかもしれない。 本稿では,RAGにおけるテーブルコンテンツレベルのアンサーバビリティの診断ベンチマークであるTCR-Benchを紹介する。 TCR-Benchでは, 連続解答ギャップが持続的に現れる。 我々は,AAR(Answerability-Aware Re rank)と呼ばれる軽量な2段階パイプラインが,直接クエリテーブル応答性判定を適用すれば,性能を回復できるかどうかを検証した。
  論文  参考訳（メタデータ） (2026-07-20T09:36:10Z)
• What Survives Into Context: A Diagnostic for Budget-Constrained Multi-Hop RAG and When Submodular Evidence Packing Improves It [0.0]
  文書のリコールは、固定された読者コンテキスト予算で最適化するのに間違った量である、と我々は主張する。 本報告では,ゴールドの回答が,読解コンテキストの連続したスパンとして存続するかどうかを判定する診断手法である「in-in-context」を導入する。 i)マルチホップ補完構造、(ii)エビデンスを表わす検索、(iii)バインドだが極端な予算ではない検索、(iv)読み出し能力ではなく、証拠密度がボトルネックとなるほど弱くなること。
  論文  参考訳（メタデータ） (2026-07-01T10:12:15Z)
• Know Before You Fetch: Calibrated Retrieval-Budget Allocation for Retrieval-Augmented Generation [10.60293484295824]
  適応RAGをキャリブレーションした検索予算配分として定式化する。 シーケンスログの確率とプレフィックスログの不確実性信号を正しさの確率に調整する。 シーケンスログの確率については、TriviaQAでは0.275から0.062に、NQでは0.643から0.009に、MS MARCOでは0.711から0.031に低下する。
  論文  参考訳（メタデータ） (2026-06-29T08:36:33Z)
• R$^2$-Searcher: Calibrating Retrieval and Reasoning Boundaries for Agentic Search [59.034878430183305]
  R$2$-Searcherは、検索と推論の境界を明示的に探索し、校正する。 R$2$-Searcherは,解答精度と検索品質において,最先端のエージェント検索法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-06-26T19:44:34Z)
• Instance-Optimal Estimation with Multiple LLM Judges on a Budget [84.31744861038106]
  我々は、この問題を*予算付きヘテロスケダティックなマルチジャッジ推定*として定式化する。 K$のプロンプト-レスポンスペア、J$の既知のコストと未知のクエリ-ジャッジ分散が与えられた場合、目標は、$ell_p$-errorを最小化しながら、有界スコアベクトルを推定することである。 EST-IVWEは,予算の低次項までのオラクルIVWEレートと一致していることを示す。
  論文  参考訳（メタデータ） (2026-05-22T08:26:08Z)
• PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering [57.89576196160413]
  大規模言語モデル (LLM) はマルチホップ質問応答 (MHQA) において脆弱のままである。 textbfPlanned Active Retrieval and Reasoning RAG (PAR$2-RAG)を提案する。
  論文  参考訳（メタデータ） (2026-03-30T23:52:54Z)
• 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)
• Question Decomposition for Retrieval-Augmented Generation [2.6409776648054764]
  本稿では疑問分解をサブクエストに組み込んだRAGパイプラインを提案する。 補間的な文書を効果的に組み立てる一方で、再ランク付けによってノイズが減少することを示す。 再ランク自体は標準的なものであるが、LLMによる質問分解と既製のクロスエンコーダのペアリングは、マルチホップ質問の検索ギャップを橋渡しすることを示す。
  論文  参考訳（メタデータ） (2025-07-01T01:01:54Z)

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。