論文の概要: R$^{2}$Adapter: A Routing and Rewriting Adapter for Efficient Hybrid RAG

• arxiv url: http://arxiv.org/abs/2609.02894v1
• Date: Wed, 01 Jul 2026 09:08:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.449365
• Title: R$^{2}$Adapter: A Routing and Rewriting Adapter for Efficient Hybrid RAG
• Title（参考訳）: R$^{2}$Adapter: 効率的なハイブリッドRAGのためのルーティングと書き換えアダプタ
• Abstract要約: Retrieval-Augmented Generation (RAG) は、大規模言語モデル(LLM)を非パラメトリックな知識で拡張するための主流パラダイムとなっている。 Vanilla RAGは単純なクエリを効率的に処理するが、リレーショナルやマルチホップ推論に苦労する。 R$2$Adapterは、バニラとグラフベースのRAG間のクエリを割り当てるように設計された軽量なプラグインおよび書き換えアダプタである。
• 参考スコア（独自算出の注目度）: 68.88008369794038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) has become a prevailing paradigm for enhancing Large Language Models (LLMs) with non-parametric knowledge. Vanilla RAG efficiently handles simple queries but struggles with relational or multi-hop reasoning. Graph-based RAG alleviates this issue but incurs higher inference complexity and latency. In practice, user queries can differ significantly in their complexity, rendering a fixed RAG strategy suboptimal. However, existing hybrid text-graph RAG methods typically rely on heuristic and LLM-based routing, resulting in unnecessary overhead and strong dependence on the underlying LLM. To address these challenges, we propose R$^{2}$Adapter, a lightweight plug-in Routing and Rewriting Adapter designed to allocate queries between vanilla and graph-based RAG dynamically. By routing only the queries that genuinely benefit from graph-based reasoning, R$^{2}$Adapter reduces unnecessary graph retrieval overhead. Additionally, uncertain graph-routed queries are rewritten to better expose their multi-hop reasoning requirements, improving retrieval quality without additional supervision. Extensive experiments on three multi-hop QA benchmarks demonstrate that R$^{2}$Adapter reduces graph-based RAG usage by up to 59% while maintaining comparable answer accuracy. This adapter is model-agnostic and can be seamlessly integrated into diverse vanilla and graph-based RAG pipelines, providing an efficient and adaptive solution for hybrid RAG systems.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、大規模言語モデル(LLM)を非パラメトリックな知識で拡張するための主流パラダイムとなっている。 Vanilla RAGは単純なクエリを効率的に処理するが、リレーショナルやマルチホップ推論に苦労する。 グラフベースのRAGはこの問題を軽減するが、推論の複雑さとレイテンシが高くなる。 実際には、ユーザクエリはその複雑さにおいて大きく異なり、固定されたRAG戦略を最適化する。 しかしながら、既存のハイブリッドテキストグラフRAG法は、通常、ヒューリスティックおよびLLMベースのルーティングに依存し、不要なオーバーヘッドと基礎となるLLMへの強い依存をもたらす。 これらの課題に対処するために、我々はR$^{2}$Adapterを提案する。R$^{2}$Adapterは、バニラとグラフベースのRAG間のクエリを動的に割り当てるように設計された軽量なプラグインである。 グラフベースの推論から真に恩恵を受けるクエリのみをルーティングすることで、R$^{2}$Adapterは不要なグラフ検索オーバーヘッドを低減する。 さらに、不確実なグラフ抽出クエリを書き換えて、マルチホップ推論要求をよりよく公開し、追加の監視なしに検索品質を改善する。 3つのマルチホップQAベンチマークの大規模な実験により、R$^{2}$AdapterはグラフベースのRAG使用量を最大59%削減し、同等の回答精度を維持している。 このアダプタはモデルに依存しず、多様なバニラおよびグラフベースのRAGパイプラインにシームレスに統合することができ、ハイブリッドRAGシステムに対して効率的で適応的なソリューションを提供する。

関連論文リスト

• One Size Does Not Fit All! Dynamic Retriever and Generator Selection for RAG [15.069168222795975]
  我々は,リトリバーとジェネレータの複雑さがファクトイドおよびマルチホップ質問応答タスク間でどのように相互作用するかを分析する。 本稿では,レトリバージェネレータの構成を選択するためのクエリ適応フレームワークであるDRAGを紹介する。 DRAGは、検索と生成を協調的に適応させることで、静的なRAGパイプラインよりも効率効率の良いトレードオフを実現することを示した。
  論文  参考訳（メタデータ） (2026-09-15T18:20:38Z)
• Use Graph When It Needs: Efficiently and Adaptively Integrating Retrieval-Augmented Generation with Graphs [12.14017207383674]
  大型言語モデル(LLM)は幻覚や古くなったパラメトリック知識のために知識集約的な課題に苦しむことが多い。 Retrieval-Augmented Generation (RAG) は外部コーパスを統合することでこの問題に対処するが、その有効性は非構造化ドメイン文書の断片化情報によって制限される。 GraphRAGは構造化知識グラフによる文脈推論を強化するために登場したが、現実のシナリオではバニラRAGをパラドックス的に過小評価している。 本稿では,構文認識複雑性解析によりRAGとGraphRAGのパラダイムを動的に統合するEA-GraphRAGを提案する。
  論文  参考訳（メタデータ） (2026-02-03T14:26:28Z)
• RouteRAG: Efficient Retrieval-Augmented Generation from Text and Graph via Reinforcement Learning [69.87510139069218]
  Retrieval-Augmented Generation (RAG)は、非パラメトリック知識をLarge Language Models (LLM)に統合する 強化学習(RL)による多ターン推論へのテキストベースRAGの進歩 LLMがマルチターンおよび適応的なグラフテキストハイブリッドRAGを実現するためのRLベースのフレームワークであるモデルを導入する。
  論文  参考訳（メタデータ） (2025-12-10T10:05:31Z)
• Evaluating Retrieval-Augmented Generation Systems on Unanswerable, Uncheatable, Realistic, Multi-hop Queries [53.99620546358492]
  実世界のユースケースでは、複雑なクエリを持つRAGシステムが存在し、関連する情報がコーパスから欠落したり、不完全であったりすることが多い。 既存のRAGベンチマークは、マルチホップやスコープ外の質問に対して、現実的なタスクの複雑さを反映することはめったにない。 un$underlinec$heatable, $underliner$ealistic, $underlineu$nanswerable, $underlinem$ulti-hopの自動生成のための最初のパイプラインを提示する。
  論文  参考訳（メタデータ） (2025-10-13T21:38:04Z)
• Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
  Retrieval-Augmented Generationは、大規模な言語モデル幻覚を緩和するための強力なアプローチとして登場した。 既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。 本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:56:20Z)
• Toward Optimal Search and Retrieval for RAG [39.69494982983534]
  Retrieval-augmented Generation (RAG)は、Large Language Models (LLM)に関連するメモリ関連の課題に対処するための有望な方法である。 ここでは、質問回答(QA)などの共通タスクに対して、レトリバーをRAGパイプラインに最適化する方法を理解することを目的としている。
  論文  参考訳（メタデータ） (2024-11-11T22:06:51Z)

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。