論文の概要: Rethinking Knowledge Retrieval for Generation: A Survey on RAG Architectures and Applications

• arxiv url: http://arxiv.org/abs/2610.01936v2
• Date: Tue, 06 Oct 2026 00:32:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.261181
• Title: Rethinking Knowledge Retrieval for Generation: A Survey on RAG Architectures and Applications
• Title（参考訳）: ジェネレーションのための知識検索の再考:RAGアーキテクチャとアプリケーションに関する調査
• Abstract要約: 大規模言語モデル(LLM)は、自然言語のタスクにまたがる顕著な流布性と汎用性を示している。 しかし、それらは静かな知識と幻覚への感受性によって基本的に制限されている。 Retrieval Augmented Generation (RAG)は、外部検索機構と生成モデルを統合することでこれらの課題に対処する。
• 参考スコア（独自算出の注目度）: 1.2832858109291985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) have demonstrated remarkable fluency and versatility across natural language tasks but remain fundamentally limited by their static knowledge and susceptibility to hallucinations, especially in domains requiring up to date or attribute grounded information. Retrieval Augmented Generation (RAG) addresses these challenges by integrating external retrieval mechanisms with generative models, enabling dynamic, context aware generation grounded in verifiable data sources. This survey presents a comprehensive examination of RAG as a modular and evolving paradigm that enhances factual reliability, adaptability, and task alignment in LLM based systems. We formalize the RAG framework through its three foundational components retrieval, generation, and augmentation and survey state of the art methods spanning dense and sparse retrievers, fusion strategies, embedding optimizations, and reinforcement learning based retrieval policies. Anchored around four emerging axes efficiency, security, user centric interactivity, and complex reasoning we categorize recent innovations and highlight their implications for scalability, robustness, and personalization. The paper also reviews advances in evaluation protocols, domain specific applications, and architectural variants such as Naïve RAG, Advanced RAG, and Modular RAG. Finally, we identify persistent challenges and outline future directions aimed at advancing the integration of retrieval with LLMs for more grounded, interpretable, and controllable generation.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、自然言語のタスクにまたがる顕著な流布性と汎用性を示してきたが、その静的な知識と幻覚への感受性、特に最新の情報や属性に基づく情報を必要とする領域において、基本的に制限されている。 Retrieval Augmented Generation (RAG) は、外部検索機構を生成モデルに統合することでこれらの課題に対処し、検証可能なデータソースに基盤を置く動的コンテキスト認識生成を可能にする。 本調査では, LLMに基づくシステムにおいて, 現実的信頼性, 適応性, タスクアライメントを高めるモジュール的かつ進化的なパラダイムとしてRAGを総合的に検討する。 我々は,RAGフレームワークの3つの基礎的コンポーネントの検索,生成,拡張,および,高密度かつスパースな検索手法,融合戦略,組込み最適化,強化学習に基づく検索ポリシーを定式化した。 効率性、セキュリティ、ユーザ中心の対話性、複雑な推論の4つを中心に、私たちは最近のイノベーションを分類し、スケーラビリティ、堅牢性、パーソナライゼーションに対する彼らの影響を強調しました。 また、評価プロトコル、ドメイン特化アプリケーション、アーキテクチャ変種、例えばNáve RAG、Advanced RAG、Modular RAGをレビューする。 最後に、永続的な課題を特定し、より根底的で解釈可能で制御可能な生成のためのLLMとの検索統合を推し進めることを目的とした今後の方向性を概説する。

関連論文リスト

• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• Deep Research: A Systematic Survey [118.82795024422722]
  Deep Research (DR)は、大規模言語モデルの推論能力と検索エンジンなどの外部ツールを組み合わせることを目的としている。 本調査は,深層研究システムの包括的かつ体系的な概要を提示する。
  論文  参考訳（メタデータ） (2025-11-24T15:28:28Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• Retrieval-Augmented Generation: A Comprehensive Survey of Architectures, Enhancements, and Robustness Frontiers [0.0]
  Retrieval-Augmented Generation (RAG) は、大規模言語モデルを強化するための強力なパラダイムとして登場した。 RAGは、検索品質、基底忠実度、パイプライン効率、ノイズや逆入力に対する堅牢性といった新しい課題を導入している。 本調査は、RAG研究における現在の知識を集約し、次世代の検索強化言語モデリングシステムの基礎となることを目的としている。
  論文  参考訳（メタデータ） (2025-05-28T22:57:04Z)
• A Survey on Knowledge-Oriented Retrieval-Augmented Generation [45.65542434522205]
  近年,RAG (Retrieval-Augmented Generation) が注目されている。 RAGは大規模検索システムと生成モデルを組み合わせる。 動的外部知識を用いた生成モデルの強化など,RAGの重要な特徴について論じる。
  論文  参考訳（メタデータ） (2025-03-11T01:59:35Z)
• Towards Trustworthy Retrieval Augmented Generation for Large Language Models: A Survey [92.36487127683053]
  Retrieval-Augmented Generation (RAG)は、AIGC(AIGC)の課題に対処するために設計された高度な技術である。 RAGは信頼性と最新の外部知識を提供し、幻覚を減らし、幅広いタスクで関連するコンテキストを保証する。 RAGの成功と可能性にもかかわらず、最近の研究により、RAGパラダイムはプライバシーの懸念、敵対的攻撃、説明責任の問題など、新たなリスクももたらしていることが示されている。
  論文  参考訳（メタデータ） (2025-02-08T06:50:47Z)
• Trustworthiness in Retrieval-Augmented Generation Systems: A Survey [59.26328612791924]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の開発において、急速に重要なパラダイムへと成長してきた。 本稿では,RAGシステムの信頼性を,事実性,堅牢性,公正性,透明性,説明責任,プライバシの6つの面で評価する統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-16T09:06:44Z)
• Retrieval-Augmented Generation for Large Language Models: A Survey [17.82361213043507]
  大きな言語モデル(LLM)には印象的な能力があるが、幻覚のような課題に直面している。 Retrieval-Augmented Generation (RAG) は,外部データベースからの知識を取り入れた,有望なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-12-18T07:47:33Z)

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。