論文の概要: What Should We Ask Next? Retrieval-Aware Question Learning under Partial Evidence

• arxiv url: http://arxiv.org/abs/2609.21924v1
• Date: Fri, 18 Sep 2026 15:45:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.170648
• Title: What Should We Ask Next? Retrieval-Aware Question Learning under Partial Evidence
• Title（参考訳）: 次に何を問うべきか : 部分的証拠に基づく検索型質問学習
• Abstract要約: RAVELは、対話型人物再識別のための検索対応オンライン強化学習フレームワークである。 RAVELは、教師付き質問生成から初期化し、現在のトップ4候補を直接観察し、質問ポリシーを最適化する。 Interactive-PEDESの実験により、RAVELは5ラウンドにわたるより強力な検索性能を提供することが示された。
• 参考スコア（独自算出の注目度）: 3.3603666525469063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interactive retrieval under partial evidence is a sequential information-acquisition problem: an agent must decide which question will create the most useful evidence for the next retrieval update. Existing systems train this decision by imitating an offline ordering of candidate QA pairs, although question value is determined by the response it elicits and its downstream effect on retrieval. We establish that candidate discriminativeness and perceived usefulness provide weak supervision for this objective, then introduce RAVEL, a retrieval-aware online reinforcement learning framework for interactive person re-identification. RAVEL initializes from supervised question generation, observes the current Top-4 candidates directly, and optimizes the question policy with rank feedback from the full question-answer-retrieval loop. Experiments on Interactive-PEDES show that RAVEL delivers progressively stronger retrieval performance across five interaction rounds. Further analysis shows that RAVEL reallocates the questioning budget toward localized open-ended attributes, which provide more useful retrieval evidence and yield the largest gains on initially difficult queries.
• Abstract（参考訳）: エージェントは、どの質問が次の検索更新の最も有用な証拠を生成するかを決定する必要がある。 既存のシステムは、候補QAペアのオフライン順序を模倣してこの決定を訓練するが、質問値は、それが引き起こす応答と、その下流が検索に与える影響によって決定される。 対象者の識別能力と知覚的有用性は,この目的に対して弱い監督力を与え,対話的人物再識別のための検索対応オンライン強化学習フレームワークであるRAVELを導入する。 RAVELは、教師付き質問生成から初期化し、現在のトップ4候補を直接観察し、全質問回答検索ループからのランクフィードバックで質問ポリシーを最適化する。 Interactive-PEDESの実験では、RAVELは5回の対話ラウンドで徐々に強力な検索性能を提供する。 さらなる分析により、RAVELは、局所化されたオープンエンド属性に対する質問予算を再配置し、より有用な検索エビデンスを提供し、初期困難なクエリに対して最大の利益をもたらすことが示されている。

関連論文リスト

• RAC: Retrieval-Augmented Clarification for Faithful Conversational Search [7.0486278653981245]
  RAC(Retrieval-Augmented Clarification)は,コーパスに忠実な質問を生成するためのフレームワークである。 検索のための索引付け戦略を比較した後、研究コンテキストを最適に活用するために、大規模言語モデルを微調整する。 提案手法は,提案手法を適用せず,検索した経路によって支持される質問を優先するために,コントラッシブな選好最適化を適用する。
  論文  参考訳（メタデータ） (2026-01-16T19:16:38Z)
• DIVER: A Multi-Stage Approach for Reasoning-intensive Information Retrieval [36.38599923075882]
  DIVERは、推論集約的な情報検索のために設計された検索パイプラインである。 ドキュメント前処理ステージ、クエリ拡張ステージ、検索ステージ、再ランクステージの4つのコンポーネントで構成されている。 BRIGHTベンチマークでは、DIVERは最先端のnDCG@10スコアを45.8点、オリジナルクエリでは28.9点と達成し、競争力のある推論モデルを上回っている。
  論文  参考訳（メタデータ） (2025-08-11T13:57:49Z)
• Search and Refine During Think: Facilitating Knowledge Refinement for Improved Retrieval-Augmented Reasoning [35.35813310224967]
  大きな言語モデルは印象的な推論能力を示してきたが、本質的には知識貯水池によって制限されている。 Retrieval-augmented reasoningは、LCMが外部リソースをクエリできるようにすることによって、この制限を緩和する。 本稿では,新しい「探索・復調思考」パラダイムを取り入れた強化学習フレームワークであるAutoRefineを提案する。
  論文  参考訳（メタデータ） (2025-05-16T14:11:29Z)
• Unified Active Retrieval for Retrieval Augmented Generation [69.63003043712696]
  Retrieval-Augmented Generation (RAG)では、検索は必ずしも役に立たない。 既存のアクティブ検索手法は2つの課題に直面している。 彼らは通常、様々な種類の命令を扱うのに苦労する単一の基準に頼っている。 それらは特殊で高度に区別された手順に依存しており、それらを組み合わせることでRAGシステムはより複雑になる。
  論文  参考訳（メタデータ） (2024-06-18T12:09:02Z)
• CLARINET: Augmenting Language Models to Ask Clarification Questions for Retrieval [52.134133938779776]
  CLARINETは,回答が正しい候補の確実性を最大化する質問を選択することで,情報的明確化を問うシステムである。 提案手法は,大規模言語モデル(LLM)を検索分布の条件付きで拡張し,各ターンで真の候補のランクを最大化する問題を生成する。
  論文  参考訳（メタデータ） (2024-04-28T18:21:31Z)
• SuRe: Summarizing Retrievals using Answer Candidates for Open-domain QA of LLMs [85.54906813106683]
  大規模言語モデル(LLM)を用いたオープンドメイン質問応答(ODQA)の簡易かつ効果的なフレームワークを提案する。 SuRe は LLM が与えられた質問に対するより正確な回答を予測するのに役立つ。 様々なODQAベンチマークの実験結果はSuReの優位性を示し、標準的なプロンプトアプローチよりも4.6%、F1スコアが4.0%向上した。
  論文  参考訳（メタデータ） (2024-04-17T01:15:54Z)
• PAQA: Toward ProActive Open-Retrieval Question Answering [34.883834970415734]
  本研究の目的は、ユーザクエリとドキュメントの両方に存在する固有の曖昧さを考慮し、関連性のある明確な質問を生成するという課題に取り組むことである。 本稿では,既存のAmbiNQデータセットの拡張であるPAQAを提案する。 次に,様々なモデルの評価を行い,経路探索があいまいさの検出と明瞭な質問の生成にどのように影響するかを評価する。
  論文  参考訳（メタデータ） (2024-02-26T14:40:34Z)
• Double Retrieval and Ranking for Accurate Question Answering [120.69820139008138]
  本研究では,トランスフォーマーを用いた解答選択モデルに導入された解答検証ステップが,問合せ解答における解答の精度を大幅に向上させることを示す。 AS2のためのよく知られた3つのデータセットの結果は、最先端の一貫性と大幅な改善を示している。
  論文  参考訳（メタデータ） (2022-01-16T06:20:07Z)
• Open-Retrieval Conversational Question Answering [62.11228261293487]
  オープン検索型対話型質問応答 (ORConvQA) の設定を導入する。 ORConvQAのエンド・ツー・エンドシステムを構築し,レトリバー,リランカ,およびすべてトランスフォーマーをベースとしたリーダを特徴とする。
  論文  参考訳（メタデータ） (2020-05-22T19:39:50Z)

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。