論文の概要: FootprintRAG: Visual Analytics for Evidence Context Refinement in RAG-based Scientific Literature Exploration

• arxiv url: http://arxiv.org/abs/2609.19601v1
• Date: Thu, 17 Sep 2026 02:29:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.071004
• Title: FootprintRAG: Visual Analytics for Evidence Context Refinement in RAG-based Scientific Literature Exploration
• Title（参考訳）: FootprintRAG:RAGに基づく科学文献探索における視覚分析によるエビデンス・コンテクスト・リファインメント
• Abstract要約: 本稿では,RAGに基づく科学的文献探索のための視覚分析システムであるフットプリントRAGを紹介する。 このシステムはRAGエビデンスコンテキストを、生成前に明示的で、検査可能で、修正可能な分析対象として扱う。 FootprintRAGは、ユーザーが検索の方向を比較し、候補の証拠を訂正し、見落とされた証拠を回収し、エビデンスユニットをサポートするために生成された要約をトレースする。
• 参考スコア（独自算出の注目度）: 11.955179033047331
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) is increasingly used to ground large language model (LLM) outputs in scientific literature. However, in open-ended literature exploration, the evidence context used for generation is often produced through hidden retrieval, reranking, assessment, and filtering steps. Users may receive retrieval summaries without knowing how the system constructed the evidence context, which evidence units were retained or discarded, or whether potentially useful evidence was excluded before synthesis. We present FootprintRAG, an LLM-agent-powered visual analytics system for evidence context refinement in RAG-based scientific literature exploration. The core idea is to treat the RAG evidence context as an explicit, inspectable, and revisable analytical object before generation. FootprintRAG parses scientific literature into text and figure evidence units, expands an initial query into parallel query variants, retrieves and assesses evidence across iterative rounds, and surfaces ERS-ranked supplementary candidates from the corpus-level evidence space. Through coordinated views, the system connects retrieval trajectories, evidence-state revision, and provenance-aware summary generation into a user-steerable workflow. We evaluate FootprintRAG through two case studies, a user study, and a workflow-level comparison with representative RAG systems. The results show that FootprintRAG helps users compare retrieval directions, revise candidate evidence, recover potentially overlooked evidence, and trace generated summaries back to supporting evidence units. FootprintRAG is available at https://github.com/meteorshowering/FootprintRAGVA.git.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、科学文献における大規模言語モデル(LLM)のアウトプットの基盤として、ますます使われている。 しかしながら、オープンエンドの文献調査では、生成に使用されるエビデンスコンテキストは、隠れた検索、再ランク付け、評価、フィルタリングのステップによって生成されることが多い。 ユーザーは、システムがどのようにエビデンス・コンテキストを構築したのか、どのエビデンス・ユニットが保持または廃棄されたのか、あるいは、潜在的に有用なエビデンスが合成前に除外されたかどうかを知ることなく、検索サマリーを受け取ることができる。 我々は,RAGに基づく科学的文献探索における証拠文脈の洗練のためのLLMエージェントを用いた視覚分析システムであるフットプリントRAGを提案する。 中心となる考え方は、RAGエビデンスコンテキストを、生成前に明示的で、検査可能で、修正可能な分析対象として扱うことである。 フットプリントRAGは、科学文献をテキストに解析し、エビデンス単位を図解し、最初のクエリを並列クエリの変種に拡張し、反復的なラウンドでエビデンスを検索し、評価し、コーパスレベルのエビデンス空間からERSでランク付けされた補助的候補をサーフェスする。 コーディネートされたビューを通じて、システムは検索トラジェクトリ、エビデンス・ステート・リビジョン、および証明対応要約生成をユーザ制御可能なワークフローに接続する。 本研究では,フットプリントRAGを2つのケーススタディ,ユーザスタディ,ワークフローレベルのRAGシステムとの比較により評価した。 結果は、フットプリントRAGが検索の方向を比較し、候補の証拠を修正し、見落とされた証拠を回収し、生成したサマリーを追跡して証拠ユニットを支援するのに役立つことを示している。 FootprintRAGはhttps://github.com/meteorshowering/FootprintRAGVA.gitで入手できる。

関連論文リスト

• Navigating Sparse Evidence: Agentic Visual RAG via Explicit Context Selection and Consolidation [50.92223196290564]
  明示的な証拠選択と統合のための統一エージェントループを提案する。 探索中、SCoREはクエリ関連観測とソースポインタのみを保守されたテキスト台帳に保持する。 終了時には、参照された元のイメージを再ロードし、答えの視覚的証拠を統合し、論理的なシーケンスにアレンジする。
  論文  参考訳（メタデータ） (2026-09-14T16:11:35Z)
• MASS-RAG: Multi-Agent Synthesis Retrieval-Augmented Generation [36.73029890123542]
  MASS-RAGは、検索増強生成に対するマルチエージェント合成手法である。 これは、証拠の要約、証拠の抽出、回収された文書に対する推論のために異なるエージェントを適用している。 それらの出力を専用の合成段階を通して組み合わせ、最終的な答えを生成する。
  論文  参考訳（メタデータ） (2026-04-20T17:00:38Z)
• 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)
• Enhancing Scientific Literature Chatbots with Retrieval-Augmented Generation: A Performance Evaluation of Vector and Graph-Based Systems [1.0832844764942349]
  本稿では,検索増強世代(RAG)による科学文献の高度化について検討する。 提案したチャットボットは、構造化された(グラフ)と非構造化された(ベクトル)データベースの両方を利用して、科学論文や灰色の文学にアクセスする。 ベンチマークテストセットは、GPTモデルを用いて生成され、評価のために選択された出力がアノテートされた。
  論文  参考訳（メタデータ） (2026-02-19T21:42:02Z)
• Retrieval Augmented Generation of Literature-derived Polymer Knowledge: The Example of a Biodegradable Polymer Expert System [4.222675210976564]
  高分子文学は、大きくて成長する実験的な知識を含んでいる。 その多くは、構造化されていないテキストと一貫性のない用語に埋もれている。 既存のツールは通常、狭く、研究固有の事実を分離して抽出する。
  論文  参考訳（メタデータ） (2026-02-18T17:46:09Z)
• VeriCite: Towards Reliable Citations in Retrieval-Augmented Generation via Rigorous Verification [107.75781898355562]
  証拠を厳格に検証し,回答の帰属性を高めるために設計された,VeriCiteと呼ばれる新しいフレームワークを紹介する。 我々は,5つのオープンソースLCMと4つのデータセットを対象とした実験を行い,VeriCiteが回答の正しさを維持しつつ,引用品質を大幅に向上できることを実証した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:54Z)
• Controlled Retrieval-augmented Context Evaluation for Long-form RAG [58.14561461943611]
  Retrieval-augmented Generation (RAG)は、外部知識ソースから取得したコンテキストを組み込むことで、大規模言語モデルを強化する。 我々は、レポート生成のような長期RAGタスクにおいて、包括的な検索強化コンテキストを提供することが重要であると論じる。 本稿では,検索拡張コンテキストを直接評価するフレームワークであるCRUXを紹介する。
  論文  参考訳（メタデータ） (2025-06-24T23:17:48Z)
• Worse than Zero-shot? A Fact-Checking Dataset for Evaluating the Robustness of RAG Against Misleading Retrievals [5.605770511387228]
  RAGuardは、不正検索に対するRAGシステムの堅牢性を評価する最初のベンチマークである。 合成ノイズに依存する以前のベンチマークとは異なり、ファクトチェックデータセットは自然に発生する誤報をキャプチャする。
  論文  参考訳（メタデータ） (2025-02-22T05:50:15Z)
• Unstructured Evidence Attribution for Long Context Query Focused Summarization [53.08341620504465]
  固定粒度の場合よりも、より関連性が高く一貫した証拠を得るために、非構造的(すなわち任意の長さのスパン)な証拠を抽出することを提案する。 既存のシステムが、非構造的証拠をコピーし、適切に引用するのにどのように苦労しているかを示す。
  論文  参考訳（メタデータ） (2025-02-20T09:57:42Z)

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。