論文の概要: BIT.UA at BioASQ 14B: Modular Retrieval with pg_textsearch and Qdrant, and Agent-Based Answer Generation
- arxiv url: http://arxiv.org/abs/2609.04999v1
- Date: Fri, 04 Sep 2026 11:10:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.018534
- Title: BIT.UA at BioASQ 14B: Modular Retrieval with pg_textsearch and Qdrant, and Agent-Based Answer Generation
- Title（参考訳）: BIT.UA at BioASQ 14B: Modular Retrieval with pg_textsearch and Qdrant, and Agent-based Answer Generation
- Abstract要約: 本稿では,BIT.UAチームによるBioASQ Task Bチャレンジのバイオメディカル質問応答への参加について述べる。
パイプラインの検索と生成の両方に、大幅にモジュール化されたアプローチを導入します。
SPLADE や ColBERT の統合など,これらのアーキテクチャ変更の影響,学んだ教訓,今後の作業の方向性について論じる。
- 参考スコア（独自算出の注目度）: 37.19059223604783
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper describes the participation of the BIT.UA team from the University of Aveiro in the 14th edition of the BioASQ Task B challenge on biomedical question answering. Building on our previous submissions, we introduced a substantially refactored and modular codebase, and made significant changes to both the retrieval and generation components of the pipeline. For Phase~A document retrieval, we replaced the PyTerrier PISA index with PostgreSQL-based pg\_textsearch for BM25 retrieval and adopted Qdrant for dense embedding indexing, enabling more efficient storage and GPU-accelerated similarity search. We explored HyDE-based query expansion alongside a Context-1 retrieval strategy. A new reranker training pipeline was developed, incorporating dense retrieval for negative sampling. For Phases A+ and B answer generation, we introduced an LLM-as-a-judge framework and a novel agent quorum mechanism, where multiple agents with diverse prompts debate and iteratively converge on a consensus answer using adaptive document retention. We also participated in the snippets generation subtask for the first time. Our systems achieved competitive results across all batches, with Phase~A systems achieving MAP ranks of 5 (Batch~1,3). We discuss the impact of these architectural changes, lessons learned, and outline directions for future work including SPLADE and ColBERT integration. All code is openly available: https://github.com/bioinformatics-ua/BioASQ14b.
- Abstract（参考訳）: 本稿では,Aveiro大学BIT.UAチームによるバイオメディカル質問応答に関するBioASQタスクB課題の14版への参加について述べる。
以前の提案に基づいて、実質的にリファクタリングされたモジュール化されたコードベースを導入し、パイプラインの検索と生成の両方に大幅な変更を加えました。
文書検索では、PyTerrier PISAインデックスをPostgreSQLベースのpg\_textsearchでBM25検索に置き換え、密埋め込みインデックスにQdrantを採用し、より効率的なストレージとGPUアクセラレーションによる類似性検索を可能にした。
我々は,HyDEに基づくクエリ拡張とContext-1検索戦略について検討した。
負サンプリングのための高密度検索を取り入れた新しいリランカー訓練パイプラインを開発した。
フェーズA+ と B の回答生成には LLM-as-a-judge フレームワークと新しいエージェントクォーラム機構を導入し,多様なプロンプトを持つ複数のエージェントが議論を行い,適応的な文書保持を用いたコンセンサス回答に反復的に収束する。
また,初めてスニペット生成サブタスクに参加した。
我々のシステムは全バッチにまたがって競合し、フェーズ~AシステムはMAPランク5(バッチ〜1,3)を達成した。
SPLADE や ColBERT の統合など,これらのアーキテクチャ変更の影響,学んだ教訓,今後の作業の方向性について論じる。
すべてのコードは、https://github.com/bioinformatics-ua/BioASQ14bで公開されている。
関連論文リスト
- Bridging the Question-Answer Gap in Retrieval-Augmented Generation: Hypothetical Prompt Embeddings [42.348431760663544]
hypothetical Prompt Embeddings (HyPE) は、仮説コンテンツの生成をクエリ時間からインデックスフェーズにシフトするフレームワークである。
我々は,HyPEが検索コンテキストの精度を最大42ポイント向上し,請求項のリコールを最大45ポイント向上できることを示す。
論文 参考訳（メタデータ） (2026-07-31T13:22:11Z) - Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework [82.66443886385125]
ペーパーサークル(Paper Circle)は、学術文献の発見、評価、整理、理解に必要な労力を減らすために設計された発見・分析システムである。
1)複数のソースからのオフラインおよびオンライン検索を統合するディスカバリパイプライン,多エージェントスコアリング,多様性対応ランキング,構造化アウトプット,2)個々の論文を概念,メソッド,数値などの型付きノードで構造化された知識グラフに変換する分析パイプライン,の2つの補完パイプラインで構成されている。
論文 参考訳（メタデータ） (2026-04-07T17:59:58Z) - Test-Time Strategies for More Efficient and Accurate Agentic RAG [58.44913384057518]
Retrieval-Augmented Generation (RAG) システムは複雑なマルチホップ問題に直面している。
このような手法は、以前に処理された情報の反復的な検索を含む非効率性を導入することができる。
本稿では,これらの問題を軽減するために,サーチ-R1パイプラインに対するテスト時間修正について検討する。
論文 参考訳（メタデータ） (2026-03-12T19:18:59Z) - 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) - QuOTE: Question-Oriented Text Embeddings [8.377715521597292]
QuOTE(Question-Oriented Text Embeddings)は、検索強化世代(RAG)システムへの新たな拡張である。
従来のRAGパイプラインとは異なり、QuOTEは、チャンクが潜在的に答えうる仮説的な質問でチャンクを拡張する。
マルチホップ質問応答タスクを含め,QuOTEは検索精度を大幅に向上することを示す。
論文 参考訳（メタデータ） (2025-02-16T03:37:13Z) - DAPR: A Benchmark on Document-Aware Passage Retrieval [57.45793782107218]
我々は,このタスクemphDocument-Aware Passage Retrieval (DAPR)を提案する。
State-of-The-Art(SoTA)パスレトリバーのエラーを分析しながら、大きなエラー(53.5%)は文書コンテキストの欠如に起因する。
提案するベンチマークにより,検索システムの開発・比較を今後行うことができる。
論文 参考訳（メタデータ） (2023-05-23T10:39:57Z) - Query-focused Extractive Summarisation for Biomedical and COVID-19
Complex Question Answering [0.0]
本稿では,最近の2つのBioASQ Synergy Tasksへのマッコーリー大学の参加について述べる。
本稿では, 問合せに焦点を絞った抽出要約手法を適用し, 生体医学的問題に対する複雑な回答を生成する。
The Synergy task, we selected the candidate sentences following two phases: document search and snippet search。
そこで本研究では,BioASQ10bトレーニングデータの下半期にトレーニングを行った結果の改善について検討した。
論文 参考訳（メタデータ） (2022-09-05T07:56:44Z) - Query-Focused Extractive Summarisation for Finding Ideal Answers to
Biomedical and COVID-19 Questions [7.6997148655751895]
マカリー大学はBioASQ Synergy TaskとBioASQ9b Phase Bに参加した。
我々は,BioASQ8bのトレーニングデータセットを用いて,問合せに着目した要約システムを用いた。
システムによって回収された文書やスニペットの質が低かったことを踏まえ,回答の質は適度に良好であった。
論文 参考訳（メタデータ） (2021-08-27T09:19:42Z) - A Neural Model for Joint Document and Snippet Ranking in Question
Answering for Large Document Collections [9.503056487990959]
共同文書とスニペットランキングのためのアーキテクチャを提案する。
アーキテクチャは汎用的であり、ニューラルテキスト関連ローダで使用することができる。
BIOASQのバイオメディカルデータを用いた実験により,我々の関節モデルはスニペット検索においてパイプラインを大幅に上回っていることがわかった。
論文 参考訳（メタデータ） (2021-06-16T16:04:19Z) - Pre-training Tasks for Embedding-based Large-scale Retrieval [68.01167604281578]
本稿では,大規模クエリ文書検索問題について考察する。
クエリ(例えば質問)が与えられたら、関連するドキュメントのセットを大きなドキュメントコーパスから返します。
本稿では, 組込み型トランスフォーマーモデルの学習の鍵となる要素が, 事前学習作業のセットであることを示す。
論文 参考訳（メタデータ） (2020-02-10T16:44:00Z)
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。