論文の概要: Query Expansion Is More Than Generation: Improving Dense Retrieval through Better Integration

• arxiv url: http://arxiv.org/abs/2608.25521v1
• Date: Wed, 26 Aug 2026 08:30:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.671919
• Title: Query Expansion Is More Than Generation: Improving Dense Retrieval through Better Integration
• Title（参考訳）: クエリ拡張は世代を超えている - 統合性の向上によるDense Retrievalの改善
• Abstract要約: AnchorQEは、オリジナルのクエリと拡張を補間する前にエンコードする、トレーニング不要のメソッドである。 AnchorQEは,広範に使用されている拡張専用あるいはテキストレベルの連結ベースラインと比較して,検索効率を最大12.89%向上することを示す。
• 参考スコア（独自算出の注目度）: 23.549376415069418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) can generate query expansions without task-specific training, yet the same expansions often make a frozen dense retriever worse. We identify an underexplored factor: prior work has often focused on what text is generated, while how generated text is incorporated into dense retrievers has received less systematic attention. By holding generated expansions fixed, we show that performance degradation can often be attributed to the integration method itself. We introduce AnchorQE, a training-free method that separately encodes the original query and its expansion before interpolating them. The interpolation factor is estimated using an unsupervised online strategy that operates over a small part of the unlabeled test stream. Intuitively, our strategy assigns high expansion trust only when expansions are both retrieval-strong and consistent with the original query's retrieved evidence. We show that AnchorQE improves retrieval effectiveness by up to 12.89% when compared to widely-used expansion-only or text-level concatenation baselines across TREC-DL, LoTTE, and BEIR. Further, we show that our online strategy to estimate the interpolation factor outperforms a fixed weight tuned on a development partition by up to 3.81%.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、タスク固有のトレーニングなしでクエリ拡張を生成することができるが、同じ拡張は、しばしば凍結した高密度検索を悪化させる。 先行研究は、生成したテキストに焦点をあてることが多いが、生成したテキストが高密度検索にどのように組み込まれているかは、体系的にはあまり注目されていない。 生成した拡張を固定することにより、性能劣化は積分法自体に起因することが多いことを示す。 AnchorQEは、オリジナルのクエリと拡張を別々にエンコードして補間する訓練不要の手法である。 補間係数は、未ラベルのテストストリームのごく一部で動作する教師なしのオンライン戦略を用いて推定される。 直感的には、我々の戦略は、拡張が検索強度の両方であり、元のクエリが取得した証拠と一致している場合にのみ、高い拡張信頼を割り当てる。 AnchorQEは, TREC-DL, LoTTE, BEIRにまたがる拡張専用あるいはテキストレベルの連結ベースラインと比較して, 検索効率を最大12.89%向上させることを示した。 さらに, 補間係数を推定するオンライン戦略は, 開発分割に調整した固定重量を最大3.81%上回った。

関連論文リスト

• 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)
• Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs [55.78708003681562]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、生成時に外部知識を取り入れることで緩和する。 既存のRAGアプローチは通常、コンテキストとしてテキストフラグメントを検索し、非構造化する。 本稿では,三重項に基づく検索フレームワークTri-RAGを提案する。
  論文  参考訳（メタデータ） (2026-04-14T11:36:29Z)
• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
  本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。 そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
  論文  参考訳（メタデータ） (2025-10-20T04:16:28Z)
• Enhancing Retrieval-Augmented Generation with Two-Stage Retrieval: FlashRank Reranking and Query Expansion [0.0]
  RAGは、大きな言語モデル(LLM)とレトリバーを結合して、外部のエビデンスで生成された応答を接地する。 LLM駆動型クエリ拡張を統合して候補リコールを改善する2段階検索パイプラインを提案する。 FlashRankは、トークン予算の下で最適な証拠のサブセットを動的に選択する高速な限界効用リランカである。
  論文  参考訳（メタデータ） (2025-10-17T15:08:17Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• ThinkQE: Query Expansion via an Evolving Thinking Process [18.170948352149292]
  ThinkQEは、より深く包括的なセマンティック探索を促進するテスト時クエリ拡張フレームワークである。 ThinkQEはトレーニング集約型リトリーバーやリランカーなど,従来のアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-06-10T21:41:01Z)
• Exp4Fuse: A Rank Fusion Framework for Enhanced Sparse Retrieval using Large Language Model-based Query Expansion [0.0]
  大規模言語モデル(LLM)は、クエリ拡張のための仮説文書を生成する可能性を示している。 スパースレトリバーの性能を向上させる新しい融合ランキングフレームワークExp4Fuseを導入する。
  論文  参考訳（メタデータ） (2025-06-05T08:44:34Z)
• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• Corrective Retrieval Augmented Generation [36.04062963574603]
  Retrieval-augmented Generation (RAG) は、検索された文書の関連性に大きく依存しており、検索が失敗した場合のモデルがどのように振る舞うかについての懸念を提起する。 生成の堅牢性を改善するために,CRAG(Corrective Retrieval Augmented Generation)を提案する。 CRAGはプラグアンドプレイであり、様々なRAGベースのアプローチとシームレスに結合できる。
  論文  参考訳（メタデータ） (2024-01-29T04:36:39Z)
• When do Generative Query and Document Expansions Fail? A Comprehensive Study Across Methods, Retrievers, and Datasets [69.28733312110566]
  LMに基づく拡張の最初の包括的解析を行う。 抽出器の性能と拡張による利得との間には強い負の相関関係があることが判明した。 より弱いモデルに拡張を使用するか、ターゲットデータセットがフォーマットのトレーニングコーパスと大きく異なる場合。
  論文  参考訳（メタデータ） (2023-09-15T17:05:43Z)

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。