論文の概要: Group-Aware Adaptive Retrieval for Evidence Navigation
- arxiv url: http://arxiv.org/abs/2609.02188v1
- Date: Wed, 02 Sep 2026 06:51:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.125639
- Title: Group-Aware Adaptive Retrieval for Evidence Navigation
- Title（参考訳）: グループアウェア適応検索によるエビデンスナビゲーション
- Abstract要約: 推論集約検索は、表面レベルのマッチングによって関連性を識別できないクエリに対処する。
既存のメソッドは、コーパスグラフ上で文書レベルで候補プールを反復的に拡張する。
我々は,グループレベルの拡張を通じてコーパスグラフを探索するグループアウェア適応検索手法(GAREN)を提案する。
- 参考スコア（独自算出の注目度）: 10.083876575737222
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Reasoning-intensive retrieval addresses queries whose relevance cannot be identified by surface-level matching, thereby requiring multi-step reasoning. Because relevant documents rarely appear in the initial candidate set, retrieval systems suffer from the bounded recall problem. Existing methods iteratively expand a candidate pool at the document level over a corpus graph, examining each neighbor in isolation and drifting toward a narrow region of the corpus. To address this problem, we propose Group-Aware Adaptive Retrieval for Evidence Navigation (GAREN), which explores the corpus graph through group-level expansion. GAREN organizes documents into semantically coherent and distinguishable groups based on their connections in the corpus graph. The information in each group indicates what can be accessed by expanding through it, providing guidance beyond individual document-level signals. At each iteration, GAREN uses a group-level navigator to identify promising expansion directions, retrieves documents from the selected groups, and applies a document-level reranker to evaluate the updated candidate set. Extensive experiments show that GAREN achieves up to 8.0% improvement over the strongest baseline on BRIGHT. The source code is available at https://github.com/KJ12124/GAREN
- Abstract（参考訳）: Reasoning-intensive search address query thatlevance can be identified by surface-level matching, which requires multi-step reasoning。
関連文書が初期候補集合に現れることはめったにないため,検索システムはリコールの問題に悩まされる。
既存の手法では、文書レベルにおける候補プールをコーパスグラフ上で反復的に拡張し、それぞれの隣人を隔離し、コーパスの狭い領域に向かってドリフトする。
この問題に対処するために,グループレベルの拡張を通じてコーパスグラフを探索するグループ認識適応探索法(GAREN)を提案する。
GARENは文書をコーパスグラフの接続に基づいて意味的に一貫性があり識別可能なグループに整理する。
各グループの情報は、それを拡張することで何がアクセス可能かを示し、個々のドキュメントレベルの信号を越えてガイダンスを提供する。
各イテレーションにおいて、GARENはグループレベルのナビゲータを使用して、有望な拡張方向を特定し、選択したグループから文書を検索し、文書レベルの再ランカを適用して、更新された候補セットを評価する。
GARENはBRIGHT上で最強のベースラインに対して最大8.0%の改善を達成している。
ソースコードはhttps://github.com/KJ124/GARENで入手できる。
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) - DocNavRAG: Document-Structured Graph RAG with Stateful Evidence Construction for Complex Document Question Answering [22.38959921864722]
文書階層と地域間関係をナビゲート可能なグラフに整理するDocNavRAGを紹介する。
DocNavRAGは4つの長期およびマルチドキュメントQAベンチマークで、最強のベースラインに対する回答品質とコンテキスト満足度を平均で7.8%と17.7%改善した。
論文 参考訳（メタデータ） (2026-08-03T00:48:05Z) - A New Role for Relevance: Guiding Corpus Interaction in Agentic Search [45.65771530564621]
関連性(Relevance)は、ドキュメントまたは抜粋が有用な証拠を含むかどうかをクエリ依存で見積もる。
関連性を考慮したRARG(Relevance-Aware RipGrep Search Agent)を導入する。
論文 参考訳（メタデータ） (2026-07-27T09:56:52Z) - GrepSeek: Training Search Agents for Direct Corpus Interaction [66.69568141699311]
GrepSeekは、コンパクトな検索エージェントを訓練し、大きなテキストコーパスから証拠を見つけ、フィルタリングし、構成する、最適化された直接コーパスインタラクション(DCI)検索エージェントである。
DCIを大規模に実用化するためには、シェルコマンドのシーケンシャルな実行とバイトエクササイズ等価性を保ちながら、シェルベースの検索を最大7.6タイムで高速化するセマンティックス保存のシャード並列実行エンジンを使用する。
論文 参考訳（メタデータ） (2026-05-28T03:37:33Z) - NaviRAG: Towards Active Knowledge Navigation for Retrieval-Augmented Generation [50.16741209529908]
NaviRAGは、パッシブセグメント検索からアクティブな知識ナビゲーションに移行する新しいフレームワークである。
NaviRAGは従来のRAGベースラインよりも検索リコールとエンドツーエンドの応答性能を一貫して改善することを示す。
論文 参考訳（メタデータ） (2026-04-14T14:07:01Z) - Attention Grounded Enhancement for Visual Document Retrieval [12.602988404893305]
視覚文書検索のためのtextbfAttention-textbfGrounded textbfREtriever textbfEnhancement (AGREE) フレームワークを提案する。
AGREEは、大規模言語モデルからの横断的な注意をプロキシローカル監視として組み合わせ、関連する文書領域の識別をガイドする。
挑戦的なViDoRe V2ベンチマークの実験では、AGREEはグローバルなスーパービジョンのみのベースラインをはるかに上回っている。
論文 参考訳（メタデータ） (2025-11-17T14:28:41Z) - Query Decomposition for RAG: Balancing Exploration-Exploitation [83.79639293409802]
RAGシステムは複雑なユーザ要求に対処し、それらをサブクエリに分解し、それぞれに関連する可能性のあるドキュメントを取得し、それを集約して回答を生成する。
クエリの分解とドキュメントの検索をエクスプロレーション探索設定で定式化し、一度に1つのドキュメントを検索すると、与えられたサブクエリの有用性についての信念が構築される。
我々の主な発見は、ランク情報と人的判断を用いた文書関連性の推定により、文書レベルの精度が35%向上し、α-nDCGが15%向上し、長文生成の下流タスクの性能が向上するということである。
論文 参考訳（メタデータ） (2025-10-21T13:37:11Z) - Cluster-based Adaptive Retrieval: Dynamic Context Selection for RAG Applications [8.946586077722822]
クラスタベースのAdaptive Retrieval (CAR) は、順序付きクエリ文書類似度距離のクラスタリングパターンを分析して、最適な文書数を決定するアルゴリズムである。
CARは、常に最適な検索深度を選択し、最高TESスコアを達成し、固定されたトップkベースラインを全て上回る。
論文 参考訳（メタデータ） (2025-10-02T05:11:12Z) - Chain of Retrieval: Multi-Aspect Iterative Search Expansion and Post-Order Search Aggregation for Full Paper Retrieval [68.71038700559195]
The Chain of Retrieval (COR) is a novel repeaterative framework for full-paper search。
SCIBENCH(SCIBENCH)は、クエリと候補のための全論文の完全なコンテキストとセグメント化されたコンテキストを提供するベンチマークである。
論文 参考訳（メタデータ） (2025-07-14T08:41:53Z) - Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval [22.33550491040999]
RAGは、大きな言語モデルを外部の証拠に基礎を置いているが、セマンティックに遠く離れた文書で答えをまとめなければならないと、いまだに混乱している。
私たちは、StatementGraphRAGとTopicGraphRAGという2つのプラグイン・アンド・プレイレトリバーを構築します。
提案手法は,検索リコールと正当性において平均23.1%の相対的改善を達成し,有意なチャンクベースRAGよりも優れていた。
論文 参考訳（メタデータ） (2025-06-09T17:58:35Z) - Generative Retrieval for Book search [106.67655212825025]
書籍検索のための効率的な生成検索フレームワークを提案する。
データ拡張とアウトライン指向の書籍エンコーディングの2つの主要コンポーネントがある。
プロプライエタリなBaiduデータセットの実験では、GBSが強力なベースラインを上回ることが示されている。
論文 参考訳（メタデータ） (2025-01-19T12:57:13Z)
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。