論文の概要: TimelyRAG: Semantic-Temporal Hybrid Retrieval for Time-Critical Question Answering in Overlapping-Evolving Documents

• arxiv url: http://arxiv.org/abs/2609.11572v1
• Date: Thu, 10 Sep 2026 14:07:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.378235
• Title: TimelyRAG: Semantic-Temporal Hybrid Retrieval for Time-Critical Question Answering in Overlapping-Evolving Documents
• Title（参考訳）: TimelyRAG: 重複する文書における時間的質問応答のための意味-時間的ハイブリッド検索
• Abstract要約: TimelyRAGは、時間的距離をランキングに組み込んで、クエリをバージョンに適したドキュメントと整合させる、レトリバーに依存しないフレームワークである。 TimelyQABenchも導入しています。これは、重複する重複する課題を持つ規制の多いドメインの最初のベンチマークです。
• 参考スコア（独自算出の注目度）: 32.19368966069081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although large language models (LLMs) and retrieval-augmented generation (RAG) have advanced open-domain question answering (QA), they remain unreliable when documents evolve through amendments. Existing time-sensitive retrieval methods address only the disjoint-evolving environment, where each update is an independent snapshot. However, laws, policies, and regulations often operate in overlapping-evolving environments, where amendments override earlier clauses while preserving most content, creating strong semantic overlap across versions. We propose TimelyRAG, a retriever-agnostic framework that incorporates temporal distance into ranking to align queries with version-appropriate documents. We also introduce TimelyQABench, the first benchmark for regulation-heavy domains with overlapping-evolving challenges. Experiments show consistent gains, up to +28.6% in nDCG@10, highlighting the importance of temporal reasoning for reliable QA over evolving documents. All resources are available at https://github.com/kaist-dmlab/TimelyRAG.
• Abstract（参考訳）: 大規模言語モデル (LLM) と検索拡張世代 (RAG) は、高度なオープンドメイン質問応答 (QA) を持つが、文書が修正によって進化する際には信頼できない。 既存の時間に敏感な検索手法は、各更新が独立したスナップショットである不随伴進化環境のみに対処する。 しかし、法律、ポリシー、規則は、しばしば重複する進化する環境で機能し、修正は、多くのコンテンツを保持しながら、以前の条項を上書きし、バージョン間で強い意味的重複を生み出す。 我々は、時間的距離をランキングに組み込んで、クエリをバージョンに適したドキュメントと整合させる、検索非依存のフレームワークであるTimelyRAGを提案する。 TimelyQABenchも導入しています。これは、重複する重複する課題を持つ規制の多いドメインの最初のベンチマークです。 実験では、nDCG@10で+28.6%まで一貫した増加を示し、文書の進化よりも信頼性の高いQAに対する時間的推論の重要性を強調している。 すべてのリソースはhttps://github.com/kaist-dmlab/TimelyRAGで入手できる。

関連論文リスト

• ViSAR: Training-Free Adaptive-$k$ Retrieval for Visual Document Question Answering [0.7481381091903384]
  ViSAR (Visual Semantic Activation Retrieval) は、遅延対話型視覚文書検索のためのトレーニング不要適応-$k$の検索方法である。 ViSARはクエリ順応したページ集合を検索し、RAGのレイテンシを最大58.7%削減し、回答の精度を維持または改善する。
  論文  参考訳（メタデータ） (2026-09-02T11:54:58Z)
• BERAG: Bayesian Ensemble Retrieval-Augmented Generation for Knowledge-based Visual Question Answering [24.259268301904545]
  検索拡張生成(RAG)による質問応答の一般的なアプローチは、文書を単一のコンテキストに制限し、それを言語モデルに渡して回答を生成することである。 この戦略は個々の文書の貢献を曖昧にし、帰属を難しくし、失業者の影響に寄与する。 本稿では,単一のコンテキストの組み合わせではなく,個々の検索文書に言語モデルを条件付けする新しいRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-24T16:01:19Z)
• FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
  時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。 レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。 我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
  論文  参考訳（メタデータ） (2026-04-14T17:04:25Z)
• RAG without Forgetting: Continual Query-Infused Key Memory [27.597076561986594]
  Evolving Retrieval Memory (ERM) は、過渡的なクエリ時間ゲインを永続的な検索改善に変換する、トレーニング不要のフレームワークである。 ERMは、正しさに制限されたフィードバックを通じて検索インデックスを更新し、アトミック拡張信号を選択的にそれらが有益であるドキュメントキーに属性付け、安定でノルムバウンドな更新を通じてキーを段階的に進化させる。 我々は,クエリとキー拡張が理論的に標準的な類似関数の下で等価であることを示し,ERMの選択的更新の収束を証明し,最適なクエリ拡張を推論時間オーバーヘッドゼロの安定インデックスに補正することを示した。
  論文  参考訳（メタデータ） (2026-02-05T00:12:45Z)
• LAD-RAG: Layout-aware Dynamic RAG for Visually-Rich Document Understanding [37.12229829548839]
  レイアウト対応動的RAGフレームワークであるLAD-RAGを提案する。 LAD-RAGは、レイアウト構造とページ間の依存関係をキャプチャするシンボリック文書グラフを構築する。 MMLongBench-Doc、LongDocURL、DUDE、MP-DocVQAの実験は、LAD-RAGが検索を改善し、トップkチューニングなしで平均90%以上の完全リコールを達成することを示した。
  論文  参考訳（メタデータ） (2025-10-08T17:02:04Z)
• Evaluating List Construction and Temporal Understanding capabilities of Large Language Models [54.39278049092508]
  大規模言語モデル(LLM)は、特に時間的理解タスクにおける幻覚や誤りの影響を受けやすい。 本稿では,時系列に適合するリスト形式で構造化された回答を必要とするTLQA(Time Referenceed List based Question Answering)ベンチマークを提案する。 閉書およびオープンドメイン設定におけるTLQA上の最先端生成モデルの時間的理解とリスト構築能力について検討する。
  論文  参考訳（メタデータ） (2025-06-26T21:40:58Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• 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)
• DSI++: Updating Transformer Memory with New Documents [95.70264288158766]
  DSI++は、DSIが新たなドキュメントをインクリメンタルにインデクシングするための継続的な学習課題である。 新たな文書の連続的な索引付けは,それまでの索引付け文書をかなり忘れてしまうことを示す。 文書の擬似クエリをサンプルとして生成メモリを導入し、連続的なインデックス付け中に補足することで、検索タスクの忘れを防止する。
  論文  参考訳（メタデータ） (2022-12-19T18:59:34Z)
• A Benchmark for Generalizable and Interpretable Temporal Question Answering over Knowledge Bases [67.33560134350427]
  TempQA-WDは時間的推論のためのベンチマークデータセットである。 Wikidataは、最も頻繁にキュレーションされ、公開されている知識ベースである。
  論文  参考訳（メタデータ） (2022-01-15T08:49:09Z)
• Answering Any-hop Open-domain Questions with Iterative Document Reranking [62.76025579681472]
  オープンドメインの問に答える統合QAフレームワークを提案する。 提案手法は,シングルホップおよびマルチホップのオープンドメインQAデータセットにおいて,最先端技術に匹敵する性能を継続的に達成する。
  論文  参考訳（メタデータ） (2020-09-16T04:31:38Z)

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。