論文の概要: EAR: Entity-Aware Partitioning Approach for Retrieval-Augmented Generation Development

• arxiv url: http://arxiv.org/abs/2609.12268v1
• Date: Thu, 10 Sep 2026 22:55:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.563843
• Title: EAR: Entity-Aware Partitioning Approach for Retrieval-Augmented Generation Development
• Title（参考訳）: EAR:Retrieval-Augmented Generation Developmentのためのエンティティ・アウェア・パーティショニング・アプローチ
• Abstract要約: マルチ選択質問応答のためのEntity-Aware PartitioningアプローチであるEARを紹介する。 EARは質問から正規化表面アンカーを抽出し、回答オプションとコーパスを抽出する。 EARエンティティウィンドウは、チャンクに対して検索された単語を37.5-40.2%削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-augmented generation (RAG) can improve knowledge-intensive question answering, but the first design choice is easy to overlook: how should the source corpus be partitioned into retrievable units? Fixed-size chunks often return long passages whose relation to the question is only implicit. We introduce EAR, an Entity-Aware Partitioning approach for multiple-choice question answering (MCQA). EAR extracts normalized surface anchors from the question, answer options, and corpus; retrieves local windows around matching corpus anchors; and can attach a larger parent passage through an extractive summary. We evaluate EAR on a cleaned Massive Multitask Language Understanding (MMLU)-style subset of 153 questions selected by an automatic corpus-support heuristic and using decontaminated public textbook text. Across same-protocol top-k = 3 and top-k = 8 sweeps with Mistral, Gemma, and DeepSeek, EAR entity-window reduces retrieved words by 37.5-40.2% relative to chunks. Observed accuracy changes are +5.2, +1.3, and -3.9 points at top-k = 3, and +5.9, -3.3, and -4.6 points at top-k = 8; none of the entity-window differences is statistically significant. The scoped contribution is methodological: EAR provides a compact and inspectable retrieval unit, while its rule-based anchor extractor remains domain-specific and requires separate validation before transfer.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG)は知識集約型質問応答を改善することができるが、最初の設計選択は見落としやすい。 固定サイズのチャンクは、質問との関係が暗黙的である長いパスを返すことが多い。 本稿では,マルチ選択質問応答(MCQA)のためのエンティティ・アウェア・パーティショニング手法であるEARを紹介する。 EARは、質問、回答オプション、コーパスから正規化された表面アンカーを抽出し、一致するコーパスアンカーの周りのローカルウィンドウを検索する。 我々は、自動コーパス支援ヒューリスティックにより選択された153の質問の、Multitask Language Understanding (MMLU)スタイルのクリーン化サブセット上でEARを評価し、非汚染の教科書テキストを用いて評価する。 同じプロトコールのトップk = 3とトップk = 8で、Mistral、Gemma、DeepSeekで、EARエンティティウィンドウは、チャンクに対して検索した単語を37.5-40.2%削減する。 観測された精度の変化は、トップk = 3で +5.2, +1.3, -3.9 点、トップk = 8で +5.9, -3.3, -4.6 点である。 EARはコンパクトで検査可能な検索ユニットを提供するが、ルールベースのアンカー抽出器はドメイン固有であり、転送前に別途検証する必要がある。

関連論文リスト

• Hi-Q: Hierarchical Evidence-guided Query Refinement for Multi-Hop Question Answering [13.249024309069236]
  Hi-Qは階層的なクエリ改善のためのエビデンス条件付きフレームワークである。 我々は3つのマルチホップ質問回答(QA)ベンチマークでHi-Qを評価する。
  論文  参考訳（メタデータ） (2026-08-31T08:55:07Z)
• Towards Retrieving Interaction Spaces for Agentic Search [62.666902610940525]
  最近の直接コーパス(DCI)の研究は、エージェントが5.4のインタラクションやファイル読み取りといったシェルツールを通じて生コーパスと対話できることを示している。 エージェント検索における検索の役割は, LLMコンテキストウィンドウに適合する文書を選択することだけではなく, インタラクション空間を構築することにある。
  論文  参考訳（メタデータ） (2026-06-05T03:47:40Z)
• Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
  エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。 このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。 IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-05-03T19:13:11Z)
• Robust Nearest Neighbour Retrieval Using Targeted Manifold Manipulation [0.0]
  最近傍の検索は、分類と説明可能なAIパイプラインの中心である。 特徴多様体の指定された領域に各サンプルをどの程度容易に適用できるかを評価することによって,検索を再現するTMM-NNを提案する。 TMM-NNは軽量でクエリ固有のトリガパッチを通じてこれを実装している。
  論文  参考訳（メタデータ） (2025-11-09T07:37:05Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• FREESON: Retriever-Free Retrieval-Augmented Reasoning via Corpus-Traversing MCTS [1.6340559025561785]
  大規模推論モデル(LRM)は,多段階推論において,適切なステップで検索エンジンを呼び出す際,顕著な機能を示した。 FREESON(Retriever-FREE Retrieval-Augmented ReaSONing)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-22T09:00:08Z)
• SuRe: Summarizing Retrievals using Answer Candidates for Open-domain QA of LLMs [85.54906813106683]
  大規模言語モデル(LLM)を用いたオープンドメイン質問応答(ODQA)の簡易かつ効果的なフレームワークを提案する。 SuRe は LLM が与えられた質問に対するより正確な回答を予測するのに役立つ。 様々なODQAベンチマークの実験結果はSuReの優位性を示し、標準的なプロンプトアプローチよりも4.6%、F1スコアが4.0%向上した。
  論文  参考訳（メタデータ） (2024-04-17T01:15:54Z)
• Dense X Retrieval: What Retrieval Granularity Should We Use? [56.90827473115201]
  しばしば見過ごされる設計選択は、コーパスが索引付けされる検索単位である。 本稿では,高密度検索のための新しい検索ユニット,命題を提案する。 実験により、提案のような細粒度単位によるコーパスのインデックス付けは、検索タスクにおける通過レベル単位を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-12-11T18:57:35Z)
• Interleaving Retrieval with Chain-of-Thought Reasoning for Knowledge-Intensive Multi-Step Questions [50.114651561111245]
  マルチステップ質問応答のための新しいアプローチであるIRCoTを提案する。 CoTのステップで検索をインターリーブし、CoTで検索を誘導し、検索結果を用いてCoTを改善する。
  論文  参考訳（メタデータ） (2022-12-20T18:26:34Z)

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。