論文の概要: Self-Evolving Search Index

• arxiv url: http://arxiv.org/abs/2609.19656v1
• Date: Thu, 17 Sep 2026 03:56:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.093611
• Title: Self-Evolving Search Index
• Title（参考訳）: 自己進化型検索指標
• Abstract要約: 人的介入なしにインデックスを自己開発できるフレームワークであるSELF-INDEXを提案する。 検索不足を自律的に診断し、責任あるインデックスキーを選択的に修正し、インデックスを更新する前に各リビジョンを検証する。 SELF-INDEXは多種多様なコーパスとレトリビュータを網羅し、既存のインデックス最適化手法より優れた検索性能を常に向上する。
• 参考スコア（独自算出の注目度）: 19.52650747433702
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information retrieval is increasingly important as LLM agents tackle complex tasks involving diverse information needs. Because retrieval relies on an index that represents each document through index keys, retrieval quality depends heavily on how effectively these keys expose the knowledge contained in each document. However, effective index representations vary across retrieval environments, making it difficult for any fixed optimization strategy to perform consistently. Yet evolving an index to its retrieval environment remains largely human-driven, requiring humans to diagnose retrieval failures, refine the optimization strategy, and reprocess the index accordingly. We propose SELF-INDEX, a framework that enables an index to self-evolve without human intervention. Its Optimizer autonomously diagnoses retrieval shortfalls, selectively revises the responsible index keys, and validates each revision before updating the index. Beyond reacting to observed retrieval demands, SELF-INDEX proactively explores additional demands through a Query Simulator, allowing the index to evolve beyond the queries already available for optimization. Across diverse corpora and retrievers, SELF-INDEX consistently improves retrieval performance while outperforming existing index optimization methods. We further show that these benefits extend to downstream applications, improving the effectiveness and efficiency of search agents and helping agent memory systems retrieve useful past interactions.
• Abstract（参考訳）: LLMエージェントは多様な情報要求を伴う複雑なタスクに取り組むため、情報検索はますます重要になっている。 検索は、インデックスキーを通じて各ドキュメントを表すインデックスに依存するため、検索品質は、これらのキーがドキュメントに含まれる知識をいかに効果的に公開するかに大きく依存する。 しかし、効率的なインデックス表現は検索環境によって異なるため、固定最適化戦略を一貫して実行することは困難である。 しかし、検索環境へのインデックスの進化は、主に人間によるものであり、人間が検索失敗を診断し、最適化戦略を洗練し、それに従ってインデックスを再処理する必要がある。 人的介入なしにインデックスを自己開発できるフレームワークであるSELF-INDEXを提案する。 Optimizerは、検索不足を自律的に診断し、責任あるインデックスキーを選択的に修正し、インデックスを更新する前に各リビジョンを検証する。 監視された検索要求に反応する以外に、SELF-INDEXはクエリシミュレータを通じて追加の要求を積極的に探索し、既に最適化に利用可能なクエリを超えてインデックスを進化させることができる。 SELF-INDEXは多種多様なコーパスとレトリビュータを網羅し、既存のインデックス最適化手法より優れた検索性能を常に向上する。 さらに、これらの利点が下流のアプリケーションに拡張され、検索エージェントの有効性と効率が向上し、エージェントメモリシステムが有用な過去のインタラクションを検索するのに役立つことを示す。

関連論文リスト

• RL-Index: Reinforcement Learning for Retrieval Index Reasoning [73.82948316789812]
  強化学習問題として検索インデックス推論を定式化するエージェントインデックスフレームワークであるRL-Indexを提案する。 RL-Indexは、潜在クエリ-知識関係を明示的にエンコードする有理性を持つ文書を増補することで、推論をインデックス化段階にシフトする。 BRIGHTベンチマークの実験では、RL-Indexは検索とダウンストリームの問合せ性能を一貫して改善している。
  論文  参考訳（メタデータ） (2026-06-15T07:22:36Z)
• CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
  CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。 この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
  論文  参考訳（メタデータ） (2026-04-19T17:48:17Z)
• LITTA: Late-Interaction and Test-Time Alignment for Visually-Grounded Multimodal Retrieval [0.0]
  LITTAは、エビデンスページ検索のためのクエリ拡張中心の検索フレームワークである。 ユーザクエリが与えられた後、LITTAは大きな言語モデルを使用して補完的なクエリ変種を生成する。 拡張されたクエリからの候補は、エビデンスカバレッジを改善するために、相互のランクフュージョンを通じて集約される。
  論文  参考訳（メタデータ） (2026-03-10T13:25:39Z)
• RAG without Forgetting: Continual Query-Infused Key Memory [27.597076561986594]
  Evolving Retrieval Memory (ERM) は、過渡的なクエリ時間ゲインを永続的な検索改善に変換する、トレーニング不要のフレームワークである。 ERMは、正しさに制限されたフィードバックを通じて検索インデックスを更新し、アトミック拡張信号を選択的にそれらが有益であるドキュメントキーに属性付け、安定でノルムバウンドな更新を通じてキーを段階的に進化させる。 我々は,クエリとキー拡張が理論的に標準的な類似関数の下で等価であることを示し,ERMの選択的更新の収束を証明し,最適なクエリ拡張を推論時間オーバーヘッドゼロの安定インデックスに補正することを示した。
  論文  参考訳（メタデータ） (2026-02-05T00:12:45Z)
• Succeeding at Scale: Automated Multi-Retriever Fusion and Query-Side Adaptation for Multi-Tenant Search [22.080200394842123]
  DevRev Searchは、完全に自動パイプラインで構築されたテクニカルカスタマーサポートのためのパス検索ベンチマークである。 低ランク適応によるクエリエンコーダのみを微調整することで、実用的な textbfIndex-Preserving Adaptation 戦略を提案する。 DevRev SearchとSciFactの実験では、クエリエンコーダ内の特定のトランスフォーマー層をターゲットにすることで、最適な品質効率のトレードオフが得られることを示した。
  論文  参考訳（メタデータ） (2026-01-08T06:44:40Z)
• Query Decomposition for RAG: Balancing Exploration-Exploitation [83.79639293409802]
  RAGシステムは複雑なユーザ要求に対処し、それらをサブクエリに分解し、それぞれに関連する可能性のあるドキュメントを取得し、それを集約して回答を生成する。 クエリの分解とドキュメントの検索をエクスプロレーション探索設定で定式化し、一度に1つのドキュメントを検索すると、与えられたサブクエリの有用性についての信念が構築される。 我々の主な発見は、ランク情報と人的判断を用いた文書関連性の推定により、文書レベルの精度が35%向上し、α-nDCGが15%向上し、長文生成の下流タスクの性能が向上するということである。
  論文  参考訳（メタデータ） (2025-10-21T13:37:11Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• Learning to Rank for Multiple Retrieval-Augmented Models through Iterative Utility Maximization [21.115495457454365]
  本稿では,複数検索拡張世代(RAG)エージェントを対象とした統合検索エンジンの設計について検討する。 本稿では,検索エンジンがRAGエージェントの検索結果を生成し,オフラインフェーズにおいて検索した文書の品質に関するフィードバックを収集する反復的手法を提案する。 我々は、これをオンライン環境に適応させ、リアルタイムなエージェントのフィードバックに基づいて、検索エンジンがその振る舞いを洗練できるようにする。
  論文  参考訳（メタデータ） (2024-10-13T17:53:50Z)

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。