論文の概要: One Size Does Not Fit All! Dynamic Retriever and Generator Selection for RAG

• arxiv url: http://arxiv.org/abs/2609.17709v1
• Date: Tue, 15 Sep 2026 18:20:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.497878
• Title: One Size Does Not Fit All! Dynamic Retriever and Generator Selection for RAG
• Title（参考訳）: 一つのサイズが全てを満たさない! 動的リトリバーとRAGのためのジェネレータ選択
• Abstract要約: 我々は,リトリバーとジェネレータの複雑さがファクトイドおよびマルチホップ質問応答タスク間でどのように相互作用するかを分析する。 本稿では,レトリバージェネレータの構成を選択するためのクエリ適応フレームワークであるDRAGを紹介する。 DRAGは、検索と生成を協調的に適応させることで、静的なRAGパイプラインよりも効率効率の良いトレードオフを実現することを示した。
• 参考スコア（独自算出の注目度）: 15.069168222795975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) systems typically employ fixed retriever and generator configurations across queries, despite substantial differences in query complexity and information needs, leading to inefficient allocation of computational resources. While retrieval and generation adaptivity have been studied independently, their joint effect on end-to-end RAG performance remains underexplored. We systematically analyze how retriever and generator complexity interacts across factoid and multi-hop question answering (QA), including bridge and composition reasoning tasks. Our analysis shows that stronger retrieval generally yields larger gains than increased generation effort, but both exhibit diminishing and non-monotonic returns, indicating that higher-complexity configurations are not uniformly better across queries. Motivated by these findings, we introduce DRAG, a query-adaptive framework for selecting retriever-generator configurations. We first propose DRAG$_\text{QPP}$, a training-free routing approach that uses Query Performance Prediction (QPP) signals to guide retriever selection and perplexity-based measures over retrieved context to guide generator selection. We further introduce DRAG$_\text{SFT}$, a supervised routing approach that fine-tunes an LLM to jointly predict retriever-generator configurations. Across three LLM families and four QA benchmarks, \qpprag~achieves performance comparable to strong static RAG baselines while substantially reducing inference latency, whereas DRAG$_\text{SFT}$ consistently improves effectiveness over static and training-free adaptive baselines. Overall, DRAG demonstrates that jointly adapting retrieval and generation achieves a more favorable effectiveness-efficiency trade-off than static RAG pipelines.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) システムは、クエリの複雑さと情報要求に大きな違いがあるにもかかわらず、通常、クエリ間の固定されたレトリバーとジェネレータ構成を使用する。 検索と生成の適応性は独立に研究されているが, エンド・ツー・エンドのRAG性能に対する共同効果は未検討である。 筆者らは,橋梁および合成推論タスクを含むファクトイドおよびマルチホップ質問応答(QA)において,レトリバーとジェネレータの複雑さがどのように相互作用するかを系統的に分析した。 分析の結果、より強い検索は、生成作業の増加よりも大きなゲインをもたらすが、どちらも減少と非単調なリターンを示し、高い複雑度構成がクエリ全体において一様でないことが示唆された。 これらの知見に触発されたDRAGは,レトリバー・ジェネレータの構成を選択するためのクエリ適応フレームワークである。 最初にDRAG$_\text{QPP}$を提案する。これは、クエリパフォーマンス予測(QPP)信号を用いて、検索コンテキスト上の検索者選択とパープレキシティに基づく測定をガイドし、ジェネレータ選択をガイドする、トレーニング不要なルーティング手法である。 さらにDRAG$_\text{SFT}$を導入し、LLMを微調整してレトリバージェネレータの構成を協調的に予測する。 DRAG$_\text{SFT}$は、静的およびトレーニング不要な適応ベースラインに対する有効性を一貫して改善する。 総合的に、DRAGは、検索と生成を共同で適応させることで、静的なRAGパイプラインよりも効率効率の良いトレードオフを実現することを実証している。

関連論文リスト

• R$^3$AG: Retriever Routing for Retrieval-Augmented Generation [59.47703698994575]
  R$3$AGは、検索機能を2つの学習可能なディメンション、すなわち検索品質と生成ユーティリティに分解する。 R$3$AGは、最高の個々のレトリバーと最先端の静的ルーティングメソッドの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-22T06:51:20Z)
• 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)
• SIRAG: Towards Stable and Interpretable RAG with A Process-Supervised Multi-Agent Framework [7.37561751991963]
  本稿では,レシーバとジェネレータのギャップを埋めるプロセス管理型マルチエージェントフレームワークを提案する。 提案するフレームワークはモジュール式でプラグアンドプレイで、レトリバーやジェネレータを変更する必要はない。
  論文  参考訳（メタデータ） (2025-09-17T09:09:28Z)
• LTRR: Learning To Rank Retrievers for LLMs [53.285436927963865]
  ルーティングベースのRAGシステムは、単一リトリバーベースのシステムよりも優れていることを示す。 パフォーマンス向上は、特にAnswer Correctness(AC)メトリックでトレーニングされたモデルで顕著である。 SIGIR 2025 LiveRAG チャレンジの一環として,提案システムを用いて提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-06-16T17:53:18Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• Toward Optimal Search and Retrieval for RAG [39.69494982983534]
  Retrieval-augmented Generation (RAG)は、Large Language Models (LLM)に関連するメモリ関連の課題に対処するための有望な方法である。 ここでは、質問回答(QA)などの共通タスクに対して、レトリバーをRAGパイプラインに最適化する方法を理解することを目的としている。
  論文  参考訳（メタデータ） (2024-11-11T22:06:51Z)
• Blended RAG: Improving RAG (Retriever-Augmented Generation) Accuracy with Semantic Search and Hybrid Query-Based Retrievers [0.0]
  Retrieval-Augmented Generation (RAG) は、大規模言語モデル (LLM) で文書のプライベートな知識基盤を注入し、生成的Q&A (Question-Answering) システムを構築するための一般的なアプローチである。 本稿では,Vector インデックスや Sparse インデックスなどのセマンティック検索手法をハイブリッドクエリ手法と組み合わせた 'Blended RAG' 手法を提案する。 本研究は,NQ や TREC-COVID などの IR (Information Retrieval) データセットの検索結果の改善と,新たなベンチマーク設定を行う。
  論文  参考訳（メタデータ） (2024-03-22T17:13:46Z)

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。