論文の概要: Top-K Is Not a Budget for Hybrid Retrieval
- arxiv url: http://arxiv.org/abs/2609.15143v1
- Date: Mon, 14 Sep 2026 07:18:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.150849
- Title: Top-K Is Not a Budget for Hybrid Retrieval
- Title（参考訳）: Top-Kはハイブリッド検索のための予算ではない
- Abstract要約: 現代のRAGのハイブリッド検索は、高密度でスパースな検索者によるTop-L$の結果を融合させるのが一般的である。
本稿では、直接アクセス予算を入力として取り、インクリメンタルに認証し、全リスト上のRFFランキングの正確なプレフィックスを返すDiBudを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern hybrid retrieval for RAG typically fuses the Top-$L$ results from dense and sparse retrievers, but a fixed truncation depth may not transfer across changing queries and corpora. Exact fusion removes the dependence on a fixed depth, yet completing a specified Top-$K$ still incurs variable access costs. We present DiBud, which takes an access budget directly as input and incrementally certifies and returns an exact prefix of the RRF ranking over the full lists. Selective access increases certified output within the budget, while budgeted stopping bounds accesses per request. Experiments on five query sets reveal long-tailed costs for completing exact Top-20. At a budget of 2048 accesses, DiBud increases mean certified output within the first 100 positions by 7.86% over balanced access. After budget calibration for 95% quality retention, held-out queries retain 95.05%--97.68% of mean nDCG@20 while using 65.92%--99.53% fewer accesses than completing exact Top-20.
- Abstract（参考訳）: 現代のRAGのハイブリッド検索は、高密度でスパースなレトリバーによるTop-L$の結果を融合させるが、固定トラクション深さは、変化するクエリやコーパス間で転送されない。
Exact fusionは固定深度への依存を取り除くが、指定されたTop-$K$がまだ可変アクセスコストを発生させる。
本稿では、直接アクセス予算を入力として取り、インクリメンタルに認証し、全リスト上のRFFランキングの正確なプレフィックスを返すDiBudを提案する。
選択的なアクセスは、予算内で認定された出力を増加させる一方、予算付きで要求ごとのバインドアクセスを停止する。
5つのクエリセットの実験では、Top-20を正確に完了するための長期のコストが明らかにされている。
2048年の予算で、DiBudはバランスの取れたアクセスに対して、最初の100のポジションで平均認定された出力を7.86%増加させる。
95.05%--97.68%は平均的なnDCG@20であり、65.92%--99.53%はTop-20を完了している。
関連論文リスト
- RobustSGPO: Search-Space Control for Agent Harness Evolution [56.722805974785125]
我々は、要求された編集、構成、パッチのチェックを指定し、既存のスナップショットまたは保持スナップショットからの検索を継続するRobustSGPOを紹介した。
我々は,120タスク,95ラン,7350の候補を用いて,AgentXブレインストーミングワークフローにおけるパーミッションスケジューリング,累積制御,タスクファミリー転送を評価した。
論文 参考訳（メタデータ） (2026-09-09T03:00:03Z) - One Policy, Any Budget: Internalizing Budget-Aware Search via Reinforcement Learning [41.55260785497756]
我々は,予算制約下での予算対応検索を単一ポリシーで行えるフレームワークであるAnySearchを提案する。
第1フェーズでは、明確な予算状態注入と構造化推論プロンプトでエージェントを訓練する。
第2段階では、足場を除去し、エージェントは適応的にサンプル化された予算制約の下で自律的に操作することを学ぶ。
論文 参考訳（メタデータ） (2026-09-01T07:12:32Z) - More Context, Same Budget: Dual-Bounded Relational Recall Beyond Top-K Retrieval [0.0]
より多くの文脈で検索予算は必要とされない。同じ天井で、検索システムは、平坦なトップkランキングが残す関係を追従することによって、より多くの質問を回収することができる。
同じ文脈の予算の下では、完全証拠検索はどのランクの項目が最も高いかだけでなく、文脈にも依存することを示す。
論文 参考訳（メタデータ） (2026-08-19T02:23:50Z) - CODS: Iterative Bellman-Residual Data Selection for Reusable Offline Reinforcement Learning [5.894992157122175]
我々は,アルゴリズムに適合した批評家の適合と高レジデンシャル・トランジションの獲得を交互に行う,批評家誘導のセレクタであるCODSを紹介する。
10%の予算で、CODSは20の有効なD4RLタスク-アルゴリズム細胞に対して96.6%の許容プール性能を維持している。
論文 参考訳（メタデータ） (2026-08-07T19:11:54Z) - Exact Adaptive Hybrid Retrieval Without Fixed Top-L Cutoffs [0.0]
Exact Adaptive Hybrid Retrievalは、完全リスト重み付きRFFで定義されたTop-$K$を固定する。
EAHRは要求毎にスピードアップを保証していない。現在のランキングに実行深度を適用しながら、正確な結果を修正する。
論文 参考訳（メタデータ） (2026-08-07T12:14:39Z) - Fast and Feasible: Permutation-based Constrained Reranking for Revenue Maximization [37.452024112407805]
本稿では,軽量な置換に基づく近似アルゴリズムPermRを提案する。
PermRは、運用レイテンシの制限の中で、ILP収益の改善の約63%を達成している。
14日間のオンラインA/Bテストでは、検索クエリが5500万以上あり、PermRの収益は2.5%増加した。
論文 参考訳（メタデータ） (2026-06-26T13:04:00Z) - Maximizing Rollout Informativeness under a Fixed Budget: A Submodular View of Tree Search for Tool-Use Agentic Reinforcement Learning [21.974153439592317]
予算によらない独立したサンプルは、予算に関わらず、ハードプロンプトのためにゼロから切り離された崩壊率に悩まされていることを実証する。
我々の不確実性認識上信頼境界(UUCB)用語は、この目的の閉形式的限界利得として生じる。
本稿では,UUCBとABA(Adaptive Budget Allocator)を結合した学習時間木探索フレームワークInfoTreeと,非同期投機拡張スキームを提案する。
論文 参考訳（メタデータ） (2026-05-06T06:17:48Z) - Resolving the Robustness-Precision Trade-off in Financial RAG through Hybrid Document-Routed Retrieval [7.563079821809866]
Hybrid Document-Routed Retrieval (HDRR)は、SFRを文書フィルタとして使用する2段階アーキテクチャである。
実験の結果,HDRRは各測定値において最高の性能を示した。
論文 参考訳（メタデータ） (2026-03-26T18:05:38Z) - Rerank Before You Reason: Analyzing Reranking Tradeoffs through Effective Token Cost in Deep Search Agents [50.212640395029744]
深層探索パイプラインにおける推論予算の配分について検討する。
BrowseComp-Plusベンチマークを用いて、モデルスケール、推論の労力、深度の再検討、トークン総コストのトレードオフを分析する。
論文 参考訳（メタデータ） (2026-01-20T18:38:35Z) - OpenOneRec Technical Report [99.17075873619352]
OneRecシリーズは、断片化されたレコメンデーションパイプラインをエンドツーエンドの生成フレームワークにうまく統合した。
OneRec Foundation (1.7B と 8B) は、新しい最先端(SOTA)を確立するモデルのファミリであり、RecIF-Benchのすべてのタスクにまたがる結果である。
Amazonベンチマークに移行すると、当社のモデルは10種類のデータセットに対して平均26.8%のRecall@10の改善により、最強のベースラインを越えた。
論文 参考訳（メタデータ） (2025-12-31T10:15:53Z) - Retrieval-Augmented Generation for Reliable Interpretation of Radio Regulations [49.671779378073886]
無線規制分野における質問応答について検討する。
本稿では,通信事業者固有のレトリーバル拡張生成(RAG)パイプラインを提案する。
当社のアプローチは,テスト対象モデル全体の生成精度を一貫して向上させる。
論文 参考訳（メタデータ） (2025-09-11T17:43:42Z) - $\ exttt{MixGR}$: Enhancing Retriever Generalization for Scientific Domain through Complementary Granularity [88.78750571970232]
本稿では,クエリ文書マッチングに対する高密度検索者の認識を改善するために,$texttMixGR$を紹介する。
$texttMixGR$は、粒度に基づくさまざまなメトリクスを統合スコアに融合させ、包括的なクエリドキュメントの類似性を反映させる。
論文 参考訳（メタデータ） (2024-07-15T13:04:09Z) - Best Arm Identification for Stochastic Rising Bandits [84.55453174601826]
SRB(Rising Bandits)は、選択される度に選択肢の期待される報酬が増加する、シーケンシャルな意思決定の問題をモデル化する。
本稿では,SRBの固定予算ベストアーム識別(BAI)問題に焦点をあてる。
R-UCBE と R-SR の2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-15T08:01:37Z)
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。