論文の概要: ProRetrieval: Learning to Orchestrate Hybrid Search via Executable Program Synthesis

• arxiv url: http://arxiv.org/abs/2608.27017v2
• Date: Fri, 28 Aug 2026 07:41:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 15:11:36.096852
• Title: ProRetrieval: Learning to Orchestrate Hybrid Search via Executable Program Synthesis
• Title（参考訳）: ProRetrieval: 実行可能プログラム合成によるハイブリッド検索のオーケストレーション学習
• Authors: Chengsong You, Zhen Sun, Yunhai Hu, Junwei Zhou, Xiaoyu Cao, Binyu Li, Ziyan Zhao, Weiyao Wang, Liren Lu, Zhijie Ye, Yumo Cao, Yitao Long, Yiwei Xu, Qiyi Jiang, Xuanyi Fu, Yufan Chen, Yilun Li, Rongkang Xiong, Yiran Zou, Nan Du,
• Abstract要約: 実世界の検索はしばしば、テキストや画像に対する意味的な意図による構造化された制約を構成する。 本稿では,検索オーケストレータとして言語モデルを再放送するProRetrievalを提案する。 Qwen3-4BをGRPOとDAPOで階層的な4段階の報酬でトレーニングし、Amazon製品とEnron Eメールで構築された2つの新しいベンチマークを評価します。
• 参考スコア（独自算出の注目度）: 17.931519809804307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world retrieval often composes structured constraints with semantic intents over text and images through arbitrary Boolean logic. Existing hybrid pipelines such as reciprocal rank fusion or self-querying retrievers admit only a fixed form of composition, while recent reinforcement-learning retrievers train the language model as a query generator for a single backend, leaving the orchestration of heterogeneous retrieval paths outside its action space. We propose ProRetrieval, which recasts the language model as a retrieval orchestrator: given a natural-language query, it synthesizes an executable program in a hybrid DSL interleaving SQL operators over structured fields with vector-retrieval primitives over text and images, with SQL itself providing the logical algebra that fuses heterogeneous candidate sets. We train Qwen3-4B with GRPO and DAPO under a hierarchical four-term reward, and evaluate on two new benchmarks built from Amazon products and Enron email. Our 4B model surpasses GPT-5.5 (Hit@1 0.81 vs. 0.69 on e-commerce; 0.91 vs. 0.86 on email) and Claude Opus 4.7 and a comprehensive suite of retrieval, LLM-augmented, structured-query, and graph-based baselines. Code: https://anonymous.4open.science/r/ProRetrieval/; data: https://huggingface.co/datasets/anonymous-7219/ProRetrieval.
• Abstract（参考訳）: 実世界の検索は、任意のブール論理を通して、テキストや画像に対する意味的意図による構造化された制約を構成することが多い。 相反的な階数融合や自己クエリ型検索のような既存のハイブリッドパイプラインは一定の構成しか認めないが、最近の強化学習検索は単一のバックエンドのクエリ生成器として言語モデルを訓練し、不均一な検索経路のオーケストレーションをアクション空間の外に残している。 本稿では,言語モデルを検索オーケストレータとして再キャストするProRetrievalを提案する。自然言語クエリが与えられた場合,テキストや画像上にベクトル検索プリミティブを持つ構造化フィールド上にSQL演算子をインターリーブするハイブリッドDSLで実行可能プログラムを合成し,SQL自体が異種候補集合を融合する論理代数学を提供する。 Qwen3-4BをGRPOとDAPOで階層的な4段階の報酬でトレーニングし、Amazon製品とEnron Eメールで構築された2つの新しいベンチマークを評価します。 我々の4Bモデルは、GPT-5.5(Hit@1 0.81 vs. 0.69 in e-Commerce; 0.91 vs. 0.86 in email)とClaude Opus 4.7と総合的な検索スイート、LLM拡張、構造化クエリ、グラフベースのベースラインを上回ります。 コード:https://anonymous.4open.science/r/ProRetrieval/; データ:https://huggingface.co/datasets/anonymous-7219/ProRetrieval。

関連論文リスト

• Querying an astronomical database using large language models: the ALeRCE text-to-SQL system [0.6160458642720921]
  大規模言語モデル(LLM)に基づくテキスト・トゥ・コンテクスト(構造化クエリ言語)システムを開発した。 本稿では,ALeRCE(Automatic Learning for the Rapid Classification of Events)天文学データベースに適用する。 ALeRCEはZwicky Transient FacilityとVera C. Rubin Observatoryのコミュニティブローカーである。
  論文  参考訳（メタデータ） (2026-06-16T16:12:16Z)
• DecoSearch: Complexity-Aware Routing and Plan-Level Repair for Text-to-SQL [21.568773170643084]
  DecoSearchはトレーニング不要のフレームワークで、各クエリを適切な推論レベルにルーティングする。 BIRDは70.53%、Spiderは88.31%、DeepSeekのバックボーンは88.31%である。
  論文  参考訳（メタデータ） (2026-06-16T11:48:50Z)
• ACE-SQL: Adaptive Co-Optimization via Empirical Credit Assignment for Text-to-SQL [6.968226996634463]
  既存の方法は、フルスキーマ生成に依存するか、静的なゴールドカラムの監督で訓練された別個のレトリバーを使用するかのいずれかであり、現在のジェネレータポリシーに最適である可能性がある。 本研究では,実行フィードバック下でのスキーマ検索とsql生成を協調的に最適化する強化学習フレームワークであるACE最適化を提案する。 RLトレーニング用の約3kテキスト・ツー・クエクション・データベースペアでは、ACE-はクエリ毎に0.93kの出力トークンを使用しながら、BIRD Dev上で65.3%のグレディな実行精度を実現している。
  論文  参考訳（メタデータ） (2026-06-04T09:11:04Z)
• ORBIT: Scalable and Verifiable Data Generation for Search Agents on a Tight Budget [56.6320292944541]
  ORBITは20Kの推論集約クエリと短い検証可能な回答を備えたトレーニングデータセットである。 私たちのフレームワーク、コード、データセットはオープンソースで公開されています。
  論文  参考訳（メタデータ） (2026-04-01T17:42:41Z)
• SQL-o1: A Self-Reward Heuristic Dynamic Search Method for Text-to-SQL [10.82260429602196]
  SQL-o1は、モデル推論機能を強化するためにエージェントベースのアーキテクチャ上に構築された、自己回帰駆動の検索フレームワークである。 複雑なBirdデータセット上で+10.8の精度向上を実現し、GPT-4ベースのモデルさえ超えている。 オープンソースのLLMにまたがって、強力な数ショットの一般化と堅牢なクロスモデル転送能力を示す。
  論文  参考訳（メタデータ） (2025-02-17T12:28:11Z)
• Query Rewriting for Retrieval-Augmented Large Language Models [139.242907155883]
  大規模言語モデル(LLM)は、検索対象のパイプラインで強力なブラックボックスリーダーを動作させる。 この作業では、検索拡張LDMに対する以前の検索テーマ読み込みの代わりに、新しいフレームワークであるRewrite-Retrieve-Readを導入する。
  論文  参考訳（メタデータ） (2023-05-23T17:27:50Z)
• Large Language Models are Strong Zero-Shot Retriever [89.16756291653371]
  ゼロショットシナリオにおける大規模検索に大規模言語モデル(LLM)を適用するための簡単な手法を提案する。 我々の手法であるRetriever(LameR)は,LLM以外のニューラルモデルに基づいて構築された言語モデルである。
  論文  参考訳（メタデータ） (2023-04-27T14:45:55Z)
• Improving Text-to-SQL Semantic Parsing with Fine-grained Query Understanding [84.04706075621013]
  トークンレベルのきめ細かいクエリ理解に基づく汎用的モジュール型ニューラルネットワーク解析フレームワークを提案する。 我々のフレームワークは、名前付きエンティティ認識(NER)、ニューラルエンティティリンカ(NEL)、ニューラルエンティティリンカ(NSP)の3つのモジュールから構成されている。
  論文  参考訳（メタデータ） (2022-09-28T21:00:30Z)

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。