論文の概要: ORDER: Task-Conditioned Routing for Retrieval-Augmented Generation
- arxiv url: http://arxiv.org/abs/2609.17012v1
- Date: Tue, 15 Sep 2026 11:23:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.473374
- Title: ORDER: Task-Conditioned Routing for Retrieval-Augmented Generation
- Title（参考訳）: ORDER:Retrieval-Augmented Generationのためのタスク記述型ルーティング
- Abstract要約: 本稿では,クエリにインデックス付けと検索を併用する問合せ条件付きRAGフレームワークを提案する。
我々は,大規模かつ異種な歴史的アーカイブの枠組みを評価し,クエリのインデックス付けと検索の条件付けが,根本的ベースラインと最先端RAGシステムの両方を一貫して上回っていることを示す。
- 参考スコア（独自算出の注目度）: 3.6028767235872965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retrieval-Augmented Generation (RAG) pipelines typically rely on a fixed indexing and retrieval configuration determined at preprocessing time. This one-size-fits-all design is ill-suited to domain-expert settings, where heterogeneous queries require different chunking granularities, metadata constraints, and source-selection strategies. As a result, configurations that are effective for one family of queries often perform poorly for others. In this paper, we introduce ORDER (Optimal Routing for Dynamic Evidence Retrieval), a query-conditioned RAG framework that jointly adapts indexing and retrieval to the incoming query. Our approach first discovers semantic clusters over a given set of questions associated to a corpus and learns, for each cluster, a chunking strategy together with a suited metadata filtering and reranking configuration. At inference time, queries are routed to the appropriate pre-built index through nearest-centroid assignment. To further improve retrieval, we propose a supervised query router (QRe) that predicts which collections are most likely to contain relevant evidence, coupled with a Uniform Multi-source Sampler (UMS) that allocates the retrieval budget evenly across the selected sources. We evaluate our framework on large-scale, heterogeneous historical archives and show that conditioning both indexing and retrieval on the query consistently outperforms both naive baselines and strong state-of-the-art RAG systems in complex expert-domain environments.
- Abstract（参考訳）: Retrieval-Augmented Generation (RAG)パイプラインは通常、前処理時に決定される固定インデックスと検索設定に依存している。
ヘテロジニアスクエリは、チャンキングの粒度、メタデータの制約、ソース選択戦略を必要とする。
その結果、あるクエリーの族に有効である構成は、しばしば他人に不利な結果をもたらす。
本稿では,クエリ条件付きRAGフレームワークであるORDER(Optimal Routing for Dynamic Evidence Retrieval)を紹介する。
提案手法はまず,コーパスに関連付けられた質問の集合上でセマンティッククラスタを発見し,各クラスタに対して,適切なメタデータフィルタリングと再ランク付けを行うとともに,チャンキング戦略を学習する。
推論時には、クエリは、最も近いセントロイド割り当てによって、適切なプレビルドインデックスにルーティングされる。
検索を改善するために,検索予算を均等に配分するUMS(Uniform Multi-source Sampler)と合わせて,どのコレクションが関連するエビデンスを含む可能性が最も高いかを予測する教師付きクエリルータ(QRe)を提案する。
我々は,大規模かつ異質な歴史的アーカイブの枠組みを評価し,クエリ上でのインデックス付けと検索の条件付けが,複雑な専門家・ドメイン環境下での根本的ベースラインと強力なRAGシステムの両方を一貫して上回っていることを示す。
関連論文リスト
- Pre-retrieval Query Clustering for Adaptive Top-k Document Retrieval in RAG Systems [7.440012812118169]
RAGシステムは通常、固定数の文書を基底生成に検索する。
単純なクエリは過剰検索(ノイズとコストを追加する)に悩まされ、複雑なクエリは未検索である。
本稿では,クエリ適応検索のための実用的,汎用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-11T19:57:12Z) - RENSA: Rich Environment Metadata to Navigate Shared and Distributed Endpoints for Automated Federated SPARQL Query Generation [0.0]
RENSAは、SPARQL Builder Metadataの拡張を利用する、フェデレートされたSPARQLクエリ生成フレームワークである。
我々は、RENSAがASKクエリのオーバーヘッドを排除しつつ、最先端の手法に匹敵するソース選択結果を達成することを示す。
これらのプロファイルはまた、半自動クエリ生成のためのヒューマン可読な構造的な洞察を提供する。
論文 参考訳（メタデータ） (2026-08-29T00:32:13Z) - HiKEY: Hierarchical Multimodal Retrieval for Open-Domain Document Question Answering [19.052998569565627]
HiKEYは階層木に基づくマルチモーダル検索フレームワークであり、文書階層を1級検索信号に高める。
ODQAベンチマークの実験では、HiKEYはページベースとチャンクベースのベースラインを大きく上回っている。
論文 参考訳（メタデータ） (2026-05-28T08:42:21Z) - A Reference Architecture for Agentic Hybrid Retrieval in Dataset Search [0.6299766708197881]
アドホックデータセット検索では、未特定の自然言語クエリとスパースで異質なメタデータレコードとをマッチングする必要がある。
本稿では,BM25語彙探索と密埋め込み検索を組み合わせたエージェントハイブリッド検索のための有界・監査可能な参照アーキテクチャを提案する。
ユーザ意図とプロバイダが承認したメタデータとの語彙ミスマッチを低減するために、オフラインメタデータ拡張ステップが導入される。
論文 参考訳（メタデータ） (2026-03-28T22:56:57Z) - 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) - Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。
Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。
既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
論文 参考訳（メタデータ） (2025-09-30T22:19:44Z) - Chain of Retrieval: Multi-Aspect Iterative Search Expansion and Post-Order Search Aggregation for Full Paper Retrieval [68.71038700559195]
The Chain of Retrieval (COR) is a novel repeaterative framework for full-paper search。
SCIBENCH(SCIBENCH)は、クエリと候補のための全論文の完全なコンテキストとセグメント化されたコンテキストを提供するベンチマークである。
論文 参考訳（メタデータ） (2025-07-14T08:41:53Z) - GENIUS: A Generative Framework for Universal Multimodal Search [26.494338650656594]
本稿では,複数のモダリティやドメインにまたがる多様なタスクを支援する汎用的な生成検索フレームワークGENIUSを提案する。
GENIUSは、モダリティを分離したセマンティック量子化を導入し、マルチモーダルデータをモダリティとセマンティクスの両方をコードする離散IDに変換する。
汎用性を高めるために,クエリとターゲットを補間するクエリ拡張を提案し,genIUSが様々なクエリ形式に適応できるようにする。
論文 参考訳（メタデータ） (2025-03-25T17:32:31Z) - Database-Augmented Query Representation for Information Retrieval [71.41745087624528]
データベース拡張クエリ表現(DAQu)と呼ばれる新しい検索フレームワークを提案する。
DAQuは、元のクエリを複数のテーブルにまたがるさまざまな(クエリ関連の)メタデータで拡張する。
我々はDAQuを多様な検索シナリオで検証し、全体の検索性能を大幅に向上させることを示した。
論文 参考訳（メタデータ） (2024-06-23T05:02:21Z) - Generation-Augmented Retrieval for Open-domain Question Answering [134.27768711201202]
GAR(Generation-Augmented Retrieval)は、オープンドメインの質問に答える機能である。
クエリーに対して多様なコンテキストを生成することは、結果の融合が常により良い検索精度をもたらすので有益であることを示す。
GARは、抽出読取装置を備えた場合、抽出QA設定の下で、自然質問およびトリビアQAデータセットの最先端性能を達成する。
論文 参考訳（メタデータ） (2020-09-17T23:08:01Z) - Query Focused Multi-Document Summarization with Distant Supervision [88.39032981994535]
既存の作業は、クエリとテキストセグメント間の関連性を推定する検索スタイルの手法に大きく依存している。
本稿では,クエリに関連するセグメントを推定するための個別モジュールを導入した粗大なモデリングフレームワークを提案する。
我々のフレームワークは、標準QFSベンチマークにおいて、強力な比較システムよりも優れていることを実証する。
論文 参考訳（メタデータ） (2020-04-06T22:35:19Z)
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。