Fugu-MT 論文翻訳(概要): What Makes a Good Fiqh Retriever? Answer Retrieval for Arabic Islamic Jurisprudence

論文の概要: What Makes a Good Fiqh Retriever? Answer Retrieval for Arabic Islamic Jurisprudence

arxiv url: http://arxiv.org/abs/2608.20246v1
Date: Thu, 20 Aug 2026 16:42:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-21 20:28:51.652237
Title: What Makes a Good Fiqh Retriever? Answer Retrieval for Arabic Islamic Jurisprudence
Title（参考訳）: フィフ・リトリーバーはなぜ良いのか? アラブ・イスラム法王の検索に答える
Abstract要約: 本研究では,アラビア語のfiqhに対する解答検索について検討する。ベストレトリバーは0.524 MRR@5、微調整は0.553に向上する。
参考スコア（独自算出の注目度）: 0.16752458252726457
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Retrieval-Augmented Generation is used for Islamic question answering, but most systems are evaluated end-to-end, making retrieval failures difficult to isolate from generation failures. We study answer-bearing retrieval for Arabic fiqh, where a passage is relevant only if it states the ruling required by the question. We build a retrieval test collection for Arabic fiqh and use it to evaluate dense, lexical, hybrid, fine-tuned, and madhhab-aware retrieval strategies. The best retriever achieves 0.524 MRR@5, while fine-tuning improves performance to 0.553. Hybrid retrieval provides limited gains for strong models, whereas madhhab-aware filtering more than doubles MRR@5 on school-specific questions. We further present an error analysis showing that the main challenge is distinguishing answer-bearing passages from topically similar passages that do not contain the requested ruling.
Abstract（参考訳）: Retrieval-Augmented Generationは、イスラムの質問応答に使用されるが、ほとんどのシステムはエンドツーエンドで評価されており、検索障害を生成失敗から分離することが困難である。本研究では,アラビア語のfiqhに対する解答検索について検討する。我々はアラビア語のfiqhの検索テストコレクションを構築し、それを密度、語彙、ハイブリッド、微調整、マドハブ認識検索戦略の評価に利用した。最高のレトリバーは0.524 MRR@5、微調整は0.553に向上する。ハイブリッド検索は強力なモデルに対して限定的なゲインを提供するが、マドハブを意識したフィルタリングは学校固有の質問に対してMRR@5を2倍以上に増やす。さらに,提案手法では,要求された判断を含まない部分から解答経路を区別することが主な課題であることを示す。

関連論文リスト

Hybrid Neural Retrieval with Generative Query Refinement for Quranic Passage Retrieval [0.25489046505746704]
クラニック・パッセージ・レトリーヴァル (PR) は、現代標準アラビア語 (MSA) と聖クラーンの古典アラビア語 (CA) の間の言語的複雑さと意味的ギャップのために難しい課題となる可能性がある。本稿では,検索精度の向上と文脈理解を目的とした4相ニューラルアーキテクチャを提案する。
論文参考訳（メタデータ） (2026-06-11T19:06:57Z)
Test-Time Strategies for More Efficient and Accurate Agentic RAG [58.44913384057518]
Retrieval-Augmented Generation (RAG) システムは複雑なマルチホップ問題に直面している。このような手法は、以前に処理された情報の反復的な検索を含む非効率性を導入することができる。本稿では,これらの問題を軽減するために,サーチ-R1パイプラインに対するテスト時間修正について検討する。
論文参考訳（メタデータ） (2026-03-12T19:18:59Z)
Inferential Question Answering [67.54465021408724]
新しいタスクであるInferential QAを導入します。これは、答えをサポートするパスから答えを推測するためにモデルに挑戦するものです。そこで本研究では,7,401問と2.4M節からなるQUITデータセットを構築した。我々は,従来のQAタスクに有効な手法が推論QAに苦しむことを示し,レトリバーは性能が低下し,リランカーは利得が制限され,微調整は不整合の改善をもたらすことを示した。
論文参考訳（メタデータ） (2026-02-01T14:02:43Z)
From RAG to Agentic RAG for Faithful Islamic Question Answering [12.67590523116037]
ISLAMICFAITHQAは、3,810itemのバイリンガル(アラビア語/英語)生成ベンチマークであり、原子シングルゴールドの回答である。我々はまた,反復的証拠探索と回答のための構造化ツールコールを用いたエージェント的クラングラウンドフレームワーク(エージェントRAG)を開発した。
論文参考訳（メタデータ） (2026-01-12T13:28:28Z)
Two-Stage Quranic QA via Ensemble Retrieval and Instruction-Tuned Answer Extraction [0.4349640169711269]
Quranic Question Answeringは、古典アラビア語の言語的複雑さと宗教テキストの意味的な豊かさによって、ユニークな課題を提起している。本稿では,経路抽出と解答抽出の両方に対処する新しい2段階フレームワークを提案する。提案手法では, MAP@10が0.3128, MRR@10が0.5763, pAP@10が0.669である。
論文参考訳（メタデータ） (2025-08-09T12:37:19Z)
ReSCORE: Label-free Iterative Retriever Training for Multi-hop Question Answering with Relevance-Consistency Supervision [23.80886911344813]
マルチホップ質問の回答には、複雑な質問に答えるために複数のドキュメントをまたがる推論が含まれる。センスレトリバーは通常、セマンティック埋め込みを利用してBM25のようなスパースメソッドより優れている。 ReSCOREはラベル付き文書を使わずにMHQAの高密度検索を訓練するための新しい手法である。
論文参考訳（メタデータ） (2025-05-27T14:28:24Z)
Cross-Language Approach for Quranic QA [1.0124625066746595]
クルアーンのQAシステムは、世界中の10億人以上の人々のための神聖なテキストであるクルアーンの深い理解を促進するため、重要な重要性を保っている。これらのシステムは、現代標準アラビア語で書かれた質問と、古典アラビア語で書かれたクラーン語の詩で見つかった回答の言語的相違など、固有の課題に直面している。我々は、機械翻訳を通じてデータセットを拡張して強化し、アラビア語の質問を英語に翻訳し、アラビア語の質問を言い換えて言語的多様性を創出し、クァラン語の英訳から回答を抽出し、多言語学習要件に適合させることにより、クロスランゲージのアプローチを採用する。
論文参考訳（メタデータ） (2025-01-29T07:13:27Z)
Hybrid and Collaborative Passage Reranking [144.83902343298112]
本稿では,HybRank(HybRank)手法を提案する。スパースとシークエンスレトリバーの語彙的および意味的特性を組み込んで再ランク付けする。 HybRankは、既製のレトリバー機能をベースに構築されており、任意のパスリストを拡張できるプラグインリランカである。
論文参考訳（メタデータ） (2023-05-16T09:38:52Z)
Adversarial Retriever-Ranker for dense text retrieval [51.87158529880056]
本稿では、二重エンコーダレトリバーとクロスエンコーダローダからなるAdversarial Retriever-Ranker(AR2)を提案する。 AR2は、既存の高密度レトリバー法より一貫して大幅に優れている。これには、R@5から77.9%(+2.1%)、TriviaQA R@5から78.2%(+1.4)、MS-MARCO MRR@10から39.5%(+1.3%)の改善が含まれている。
論文参考訳（メタデータ） (2021-10-07T16:41:15Z)
Phrase Retrieval Learns Passage Retrieval, Too [77.57208968326422]
文節検索が,文節や文書を含む粗いレベルの検索の基盤となるかを検討する。句検索システムでは,句検索の精度が向上し,句検索の精度が向上していることを示す。また,句のフィルタリングやベクトル量子化により,インデックスのサイズを4～10倍に削減できることを示す。
論文参考訳（メタデータ） (2021-09-16T17:42:45Z)
Joint Passage Ranking for Diverse Multi-Answer Retrieval [56.43443577137929]
質問に対する複数の異なる回答をカバーするために、パスの取得を必要とする探索不足の問題であるマルチアンサー検索について検討する。モデルが別の有効な答えを逃す費用で同じ答えを含む通路を繰り返すべきではないので、このタスクは、検索された通路の共同モデリングを必要とします。本稿では,再順位に着目したジョイントパス検索モデルであるJPRを紹介する。回収された通路の合同確率をモデル化するために、JPRは、新しい訓練および復号アルゴリズムを備えた通路のシーケンスを選択する自動回帰リタイナを利用する。
論文参考訳（メタデータ） (2021-04-17T04:48:36Z)

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。