論文の概要: Multi-Agent Retrieval-Augmented Generation for Efficient Cloud Knowledge Base Search in Telecom SNOC Environment

• arxiv url: http://arxiv.org/abs/2609.01618v1
• Date: Tue, 30 Jun 2026 06:33:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.438556
• Title: Multi-Agent Retrieval-Augmented Generation for Efficient Cloud Knowledge Base Search in Telecom SNOC Environment
• Title（参考訳）: 通信SNOC環境における効率的なクラウド知識ベース探索のためのマルチエージェント検索拡張生成
• Abstract要約: Athena for Cloud Knowledge Baseは、完全にオフラインでマルチエージェントのRetrieval Augmented Generationフレームワークである。 システムは、E5 Large V2 埋め込み、BM25スパース検索、知識グラフ拡張を用いた密集検索を統合する。 システムは 0.910 の MRR と Exact Match (EM) のスコアを78.4% で達成し、シングルステージの高密度検索を14.6 ポイント上回っている。
• 参考スコア（独自算出の注目度）: 0.2446948464551684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Telecom Service and Network Operations Centers (SNOCs) rely on large collections of cloud documents, including Standard Operating Procedures (SOPs), vendor technical manuals, incident reports, and configuration guides, to maintain uninterrupted network operations. During critical incidents, engineers must quickly retrieve accurate information, yet traditional keyword based and single stage retrieval approaches often struggle to provide precise results. This paper presents Athena for Cloud Knowledge Base, a fully offline, multi agent Retrieval Augmented Generation (RAG) framework designed for enterprise cloud document search in Vodafone Idea's SNOC environment. The system integrates dense retrieval using E5 Large V2 embeddings, BM25 sparse retrieval, and Knowledge Graph expansion within a LangGraph based orchestration framework. Retrieved candidates are fused using Weighted CombSUM, followed by cross encoder reranking and Maximal Marginal Relevance (MMR) to obtain a diverse and relevant evidence set. To improve answer reliability, the framework performs per chunk LLM evaluation with explicit attribution verification, assessing each MMR selected chunk independently before generating a response. Unsupported or weak evidence is discarded, and if no chunk satisfies the verification criteria, the system automatically evaluates multiple chunks together as a fallback. Experiments on a corpus of 4200 SNOC cloud documents containing 312000 indexed chunks show that the proposed approach achieves an MRR at 10 of 0.910 and an Exact Match (EM) score of 78.4 percent, outperforming single stage dense retrieval by 14.6 percentage points. The entire pipeline operates in a fully offline environment, satisfying enterprise data sovereignty requirements while delivering accurate and grounded responses for cloud document search.
• Abstract（参考訳）: Telecom Service and Network Operations Centers (SNOCs) は、Standard Operating Procedures (SOPs)、ベンダーの技術マニュアル、インシデントレポート、設定ガイドなど、途切れないネットワーク操作を維持するために大量のクラウドドキュメントを頼りにしている。 重要なインシデントの間、エンジニアは素早く正確な情報を取得する必要があるが、従来のキーワードベースと単一ステージの検索アプローチは正確な結果の提供に苦慮することが多い。 本稿では、Vodafone IdeaのSNOC環境におけるエンタープライズクラウドドキュメント検索用に設計された、完全にオフラインでマルチエージェントのRetrieval Augmented Generation(RAG)フレームワークであるAthena for Cloud Knowledge Baseを提案する。 このシステムは、E5 Large V2埋め込み、BM25スパース検索、LangGraphベースのオーケストレーションフレームワーク内での知識グラフの拡張による密集検索を統合する。 検索された候補は、Weighted CombSUMを使用して融合し、次にクロスエンコーダをリランクし、MMR(Maximal Marginal Relevance)を使用して、多様で関連する証拠を得る。 回答信頼性を向上させるために, 各MMR選択したチャンクを独立して評価し, 応答を生成する。 サポートされていない証拠や弱い証拠は捨てられ、チェック基準を満たすチャンクがなければ、システムは自動的に複数のチャンクをフォールバックとして評価する。 312000のインデックス付きチャンクを含む4200のSNOCクラウド文書のコーパス実験により、提案手法がMRRを0.910の10で達成し、エクサクトマッチ(EM)スコアが78.4%となり、シングルステージ密度検索を14.6%上回った。 パイプライン全体が完全にオフラインの環境で動作し、エンタープライズデータの主権要件を満たすと同時に、クラウドドキュメント検索の正確で根拠のある応答を提供する。

関連論文リスト

• Pre-retrieval Query Clustering for Adaptive Top-k Document Retrieval in RAG Systems [7.440012812118169]
  RAGシステムは通常、固定数の文書を基底生成に検索する。 単純なクエリは過剰検索(ノイズとコストを追加する)に悩まされ、複雑なクエリは未検索である。 本稿では,クエリ適応検索のための実用的,汎用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-11T19:57:12Z)
• Multimodal Hybrid Retrieval-Augmented Generation for Scientific Document Understanding using Open-Source SLMs [45.88028371034407]
  大規模言語モデルは、前もって微調整を行わずに、科学的文書からドメイン固有のキーオンに答えるときに幻覚を起こす傾向がある。 本稿では,これらの課題を解決するための高度なマルチモーダル検索型生成システムを提案する。 Qwen2-VL-2B-InstructはBERTScoreのクラウドベースモデルに匹敵する結果を得た。
  論文  参考訳（メタデータ） (2026-07-06T08:32:09Z)
• Hybrid Retrieval-Augmented Generation with Knowledge Graph Expansion, RRF Fusion, and Per-Chunk Grounded Evaluation for Enterprise Document Search [0.2446948464551684]
  DocuSearchは、オフラインでマルチエージェントの文書インテリジェンスシステムで、通信ネットワークの運用環境で開発、評価されている。 単一の検索信号に頼るのではなく、3つの補完的な証拠源をまとめる。 DocuSearchはPrecision@10が0.69、Recall@10が0.79、接地率は89.6%に達した。
  論文  参考訳（メタデータ） (2026-06-30T06:33:20Z)
• From Detection to Response: A Deep Learning and Retrieval-Augmented Generation Framework for Network Intrusion Mitigation [0.7136933021609079]
  本稿では,脅威検出と行動応答のギャップを埋める統一的なエンドツーエンドフレームワークを提案する。 まず、独立に訓練された3つのバイナリディープニューラルネットワーク(DNN)のアンサンブルで、ネットワークトラフィックフローをBenign, Denial of Service(DoS)またはDistributed Denial of Service(DDoS)に分類する。 第2に、Retrieval-Augmented Generation (RAG)パイプラインは、トップ5の異常な機能から説明対応プロンプトを構築する。
  論文  参考訳（メタデータ） (2026-05-18T07:17:55Z)
• 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)
• 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)
• UNIDOC-BENCH: A Unified Benchmark for Document-Centric Multimodal RAG [82.84014669683863]
  マルチモーダル検索拡張生成(MM-RAG)は,大規模言語モデルを現実世界の知識ベースに適用するための重要なアプローチである。 UniDoc-Benchは、70万の現実世界のPDFページから構築されたMM-RAGのための最初の大規模で現実的なベンチマークである。 実験により,マルチモーダルテキスト画像融合RAGシステムは,非モーダルおよび共同マルチモーダル埋め込みに基づく検索において一貫して優れていた。
  論文  参考訳（メタデータ） (2025-10-04T04:30:13Z)
• eSapiens's DEREK Module: Deep Extraction & Reasoning Engine for Knowledge with LLMs [10.667949307405983]
  DEREKモジュールは異種コンテンツ(PDF、Office、Web)を取り込み、1000の重複チャンクに分割し、ハイブリッドHNSW+BM25ストアにインデックスする。 LangGraph検証器は引用重複を強制し、すべてのクレームが根拠となるまで回答を再生する。 すべてのコンポーネントはコンテナで動作し、エンドツーエンドのTLS 1.3とAES-256を強制する。
  論文  参考訳（メタデータ） (2025-07-13T05:54:01Z)
• Benchmarking Deep Search over Heterogeneous Enterprise Data [73.55304268238474]
  検索強化生成(RAG)の形式を評価するための新しいベンチマークを提案する。 RAGは、多種多様な、しかし関連するソースに対して、ソースを意識したマルチホップ推論を必要とする。 製品計画、開発、サポートステージをまたいだビジネスをシミュレートする合成データパイプラインを使用して構築します。
  論文  参考訳（メタデータ） (2025-06-29T08:34:59Z)

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。