論文の概要: BoundaryMORPH: Budgeted Reranking via Active Set Selection for Diffuse Retrieval

• arxiv url: http://arxiv.org/abs/2609.27213v1
• Date: Wed, 23 Sep 2026 01:22:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.817783
• Title: BoundaryMORPH: Budgeted Reranking via Active Set Selection for Diffuse Retrieval
• Title（参考訳）: BundaryMORPH: 拡散検索のためのアクティブセット選択による予算編成
• Abstract要約: 現代のRetrieval-Augmented Generationにおけるオープンエンドクエリは、文書の集合を有限のコンテキストウィンドウに組み立てる必要がある。 検索品質を確保するため、システムは高速なデュアルエンコーダとより高価なクロスエンコーダを使用して候補をスコアする。 本稿では,コンテキストキャパシティに特化してCE予算を割り当てる新しいアルゴリズムであるBoundaryMORPHを紹介する。
• 参考スコア（独自算出の注目度）: 10.893052427874773
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-ended queries in modern Retrieval-Augmented Generation (RAG) are increasingly "diffuse," requiring a large set of documents to be assembled into a finite LLM context window. To ensure retrieval quality, systems use fast dual-encoders and more expensive cross-encoders (CEs) to score candidates. However, the CE budget $B$ is strictly bounded by latency and is often smaller than the context window capacity $k$. This mismatch makes standard reranking structurally flawed: it wastes compute verifying obvious top candidates while ignoring relevant documents further down the initial ranking. To address this, we introduce BoundaryMORPH, a novel algorithm that allocates CE budget specifically for the LLM's context capacity $k$. Using a Gaussian Process, BoundaryMORPH treats the initial dual-encoder ranking as a structural prior and intelligently spends CE calls on resolving top-$k$ set membership at the boundary, rather than seeking a single most-relevant document. Information from each CE call propagates to unscored documents, maximizing the utility of the budget. We demonstrate that BoundaryMORPH achieves state-of-the-art set retrieval quality across multiple models and datasets with open-ended queries ($+5.4$ nCG@100 over the strongest baseline).
• Abstract（参考訳）: 現代のRetrieval-Augmented Generation (RAG) におけるオープンエンドクエリは、文書の集合を有限のLLMコンテキストウィンドウに組み立てる必要があるため、ますます「拡散」している。 検索品質を確保するため、システムは高速なデュアルエンコーダとより高価なクロスエンコーダ(CE)を使用して候補をスコアする。 しかし、CE予算の$B$は厳密にレイテンシに縛られ、多くの場合、コンテキストウィンドウの$k$よりも小さい。 このミスマッチは、標準的なリランクが構造的に欠陥を生じさせる。これは、明確なトップ候補の検証を無駄にし、関連するドキュメントを初期ランクから無視する。 そこで本研究では,LLMのコンテキスト能力に特化してCE予算を割り当てる新しいアルゴリズムであるBoundaryMORPHを紹介する。 ガウス過程を用いて、BundaryMORPHは、最初の二重エンコーダのランクを構造的事前として扱い、CEは単一の最も関連性の高い文書を探すのではなく、境界における上位$kのメンバシップの解決を要求する。 各CEコールからの情報は、未表示の文書に伝搬し、予算の効用を最大化する。 我々は、BundaryMORPHが複数のモデルやデータセットにまたがる最先端のセット検索品質(最強のベースラインに対して+5.4$ nCG@100)を達成することを実証した。

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)
• Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
  クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。 反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
  論文  参考訳（メタデータ） (2026-09-02T08:10:22Z)
• SSTQ:Privacy-Preserving Vector Quantization via Subsampled Stochastic TurboQuant [79.24089819400126]
  Subsampled TurboQuant (SSTQ) は、オーバーコンプリートな等幅のタイトフレーム、座標サブサンプリング、プライバシ対応量子化を組み合わせたフレームワークである。 SSTQは平均2乗誤差スケーリングを実現し、クライアントあたり$lceil log N il + b$ bitsを使用する。 また、コードブックに依存したMSEスケーリングを$O(4b)$から$O(2b)$に削減する、プライバシを意識したコードブックの目的も導出します。
  論文  参考訳（メタデータ） (2026-08-05T17:51:25Z)
• Rethinking RAG in Long Videos: What to Retrieve and How to Use It? [56.38819694781005]
  V-RAGBenchは$langle$query, evidence chunk, answer$rangle$三重項のベンチマークで、検索と生成を忠実に分離した評価を可能にする。 また、CARVEは、コンフィグレーションにまたがって並列レトリバーを動作させ、チャンク毎に入賞構成を識別するためにチャンク適応リランクを用いる手法である。
  論文  参考訳（メタデータ） (2026-06-11T10:05:49Z)
• HCRE: LLM-based Hierarchical Classification for Cross-Document Relation Extraction with a Prediction-then-Verification Strategy [54.91468501159335]
  文書間関係抽出 (RE) は, 異なる文書に存在する頭部尾部エンティティ間の関係を識別することを目的としている。 本稿では,各レベルでの多視点検証により信頼性を向上させる推論戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-09T07:55:27Z)
• PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering [57.89576196160413]
  大規模言語モデル (LLM) はマルチホップ質問応答 (MHQA) において脆弱のままである。 textbfPlanned Active Retrieval and Reasoning RAG (PAR$2-RAG)を提案する。
  論文  参考訳（メタデータ） (2026-03-30T23:52:54Z)
• Hierarchical Retrieval with Evidence Curation for Open-Domain Financial Question Answering on Standardized Documents [9.173952465423966]
  標準化されたドキュメントは、反復的なボイラープレートテキストや同様のテーブル構造など、同様のフォーマットを共有している。 この類似性により、従来のRAGメソッドは、ほぼ重複したテキストを誤識別し、精度と完全性を損なう重複検索につながる。 本稿では,これらの問題に対処するためのEvidence Curationフレームワークを用いた階層検索手法を提案する。
  論文  参考訳（メタデータ） (2025-05-26T11:08:23Z)
• Don't Get Lost in the Trees: Streamlining LLM Reasoning by Overcoming Tree Search Exploration Pitfalls [83.89771461061903]
  検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。 検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。 意味論的に等価なコンテンツを持つ冗長な状態による$textitover-Exploration$と、検証器のスコアリングにおける高いばらつきに起因する$textitunder-Exploration$である。 各種木探索アルゴリズムに適合するフレキシブルなプラグアンドプレイシステムであるFETCHを提案する。
  論文  参考訳（メタデータ） (2025-02-16T16:12:01Z)

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。