Fugu-MT 論文翻訳(概要): Agentic AutoRAG: RAG Pipeline Optimization through Reasoning-Driven Agents

論文の概要: Agentic AutoRAG: RAG Pipeline Optimization through Reasoning-Driven Agents

arxiv url: http://arxiv.org/abs/2610.08452v1
Date: Tue, 06 Oct 2026 14:38:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 02:58:30.054689
Title: Agentic AutoRAG: RAG Pipeline Optimization through Reasoning-Driven Agents
Title（参考訳）: Agentic AutoRAG: 推論駆動エージェントによるRAGパイプライン最適化
Abstract要約: Retrieval-augmented Generation (RAG) は、大規模言語モデル(LLM)を外部知識でグラウンド化するための広く使われているアプローチである。本稿では,多目的最適化のためのLLMエージェントであるAgentic AutoRAGを紹介する。各試験の後、ダイアグノーサーは、失敗した各質問を検索または生成に属性付け、モデルランキングと価格の知識ベースに基づくプロポーラが次の設定を選択する。
参考スコア（独自算出の注目度）: 1.0112913394578702
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Retrieval-augmented generation (RAG) is a widely used approach for grounding large language models (LLMs) in external knowledge. However, configuring a pipeline is an expensive hyperparameter optimization problem over many interacting choices, from chunking and embedding model to reranking and generation. Existing optimizers, from greedy search to Bayesian optimization, reduce each trial to an aggregate score and search without modeling why a configuration performed as it did, even though the retrieved chunks already provide evidence about whether each failure occurred during retrieval or after it. We introduce Agentic AutoRAG, an LLM-agent optimizer for multi-objective RAG hyperparameter optimization with retrieval-versus-generation failure attribution. It proposes configurations scored on a frozen exam from the corpus: after each trial a Diagnoser attributes each failed question to retrieval or generation, and a Proposer, grounded in a knowledge base of model rankings and pricing, selects the next configuration, weighing accuracy against cost to trace a Pareto frontier. On three multi-hop QA benchmarks it reaches higher LLM-judge accuracy than every baseline we compare, and within its first 10 trials it matches or beats the statistical baselines' full 30-trial judge accuracy. In its cost-aware mode on a real-world healthcare corpus it reaches a median exam accuracy of 77%, above the strongest baseline's 71.5%, at about 58% of that baseline's cost per query, and it matches that 71.5% at about 22% of the cost.
Abstract（参考訳）: Retrieval-augmented Generation (RAG) は、大規模言語モデル(LLM)を外部知識でグラウンド化するための広く使われているアプローチである。しかし、パイプラインの設定は、チャンキングや埋め込みモデルから再ランク付けや生成に至るまで、多くの相互作用する選択に対して高価なハイパーパラメータ最適化問題である。既存のオプティマイザは、グリージー検索からベイズ最適化まで、各試行を集約スコアとサーチに減らします。本稿では,多目的RAGハイパーパラメータ最適化のためのLLM-agentオプティマイザであるAgenic AutoRAGを紹介する。各試験の後、ダイアグノーサーは、各失敗した質問を検索または生成に属性付け、モデルランキングと価格の知識ベースを基盤としたプロポーラが次の構成を選択し、パレートフロンティアをトレースするコストに対して精度を測る。 3つのマルチホップQAベンチマークでは、比較したベースラインのすべてよりもLDM-judge精度が高く、最初の10回の試験では、統計ベースラインの完全な30の判定精度と一致または打ち勝つ。実際のヘルスケアコーパスのコスト認識モードでは、最強のベースラインの71.5%よりも77%、クエリーあたりのコストの58%、そして71.5%のコストの22%と一致している。

関連論文リスト

EAVer: Long-Form Factuality Verification as an End-to-End Agentic Policy [50.665874114632]
我々は、完全な応答レベルの検証ワークフローを統一ポリシーとして制御することを学ぶ、エンドツーエンドのエージェント検証であるEAVerを紹介する。 EAVerはセマンティック関連クレームをグループ化し、信頼に基づいた直接検証やターゲット検索にルートし、コンパクトなインコンテキストメモで検索によって返される証拠を保持する。
論文参考訳（メタデータ） (2026-09-02T21:00:35Z)
Pandora's AI Model Routing Box: Efficient Allocation with Costly Value Estimation [64.51088225051959]
不均一なAIシステムは、最低コストで最も効果的に答えられる専門家にクエリをルーティングすることで、品質と効率を向上させることができる。我々はこのトレードオフをPandoraのBoxの例として定式化した。ガウス信号モデルの下では、得られたポリシーは、各専門家とインプットに対して、その価値見積の精算がそのコストに値するかどうかを決定する、クローズドフォームな情報表現を持つ。
論文参考訳（メタデータ） (2026-08-20T17:54:37Z)
Agent-Orchestrated Adaptive RAG: A Comparative Study on Structured and Multi-Hop Retrieval [0.0]
Retrieval-Augmented Generation (RAG) は、言語モデル(LLM)を拡張し、その応答を外部知識に基盤付ける。本稿では,動的クエリ分解,反復検索,および有界自己回帰評価ループを導入したエージェントオーケストレーション適応型RAGフレームワークを提案する。
論文参考訳（メタデータ） (2026-06-04T03:38:46Z)
Retriever Portfolios: A Principled Approach to Adaptive RAG [30.668406304237404]
そこで本研究では,対象クエリ分布の異なる領域をカバーするために,候補の大規模プールから,少数の多種多様なサブセットを自動的に選択する手法を提案する。複数のQAベンチマークを通じて、学習したポートフォリオとルータパイプラインは、一貫してシングルリレーバとナイーブなマルチリレーバベースラインを上回っています。
論文参考訳（メタデータ） (2026-05-29T11:43:05Z)
Can QPP Choose the Right Query Variant? Evaluating Query Variant Selection for RAG Pipelines [48.34524144147475]
LLM(Large Language Models)は、現代の検索やRAG(Retrieval-Augmented Generation)パイプラインにおいて、クエリ再構成を至るところで実現している。本稿では、アドホック検索とエンドツーエンドRAGをまたいで、クエリ性能予測(QPP)を異種選択のメカニズムとして検討する。
論文参考訳（メタデータ） (2026-04-24T15:36:40Z)
AgentOpt v0.1 Technical Report: Client-Side Optimization for LLM-Based Agent [18.58248061903799]
AgentOptは、クライアントサイドAI最適化のための最初のフレームワークに依存しないPythonパッケージである。我々はまず,マルチステップエージェントパイプラインにおける高インパクト最適化レバーであるモデル選択について検討する。指数関数的に増加する組み合わせ空間を効率的に探索するために、AgentOptは10の検索アルゴリズムを実装している。
論文参考訳（メタデータ） (2026-04-07T17:13:47Z)
ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文参考訳（メタデータ） (2026-02-27T05:22:01Z)
RouteMoA: Dynamic Routing without Pre-Inference Boosts Efficient Mixture-of-Agents [91.0187958746262]
RouteMoAは動的ルーティングを備えた効率的な混合エージェントフレームワークである。軽量スコアラを使用して、クエリから粗い粒度のパフォーマンスを予測することで、初期スクリーニングを行う。既存のモデル出力に基づいて、軽量な自己評価とクロスアセスメントによってこれらのスコアを洗練し、追加の推論なしで後部修正を提供する。
論文参考訳（メタデータ） (2026-01-26T04:22:22Z)
ImpRAG: Retrieval-Augmented Generation with Implicit Queries [34.72864597562907]
ImpRAGは、検索と生成を統一モデルに統合するクエリフリーなRAGシステムである。我々は、ImpRAGが、多様な形式を持つ未確認タスクの正確なマッチスコアを3.6-11.5改善したことを示す。
論文参考訳（メタデータ） (2025-06-02T21:38:21Z)
Search Wisely: Mitigating Sub-optimal Agentic Searches By Reducing Uncertainty [21.96443267949563]
エージェント検索型Augmented Generation (RAG) システムは,動的かつ多段階の推論と情報検索を可能にし,Large Language Models (LLM) を強化する。これらのシステムは、オーバーサーチ(冗長な情報を取得する)やアンダーサーチ(必要な情報を取得するのに失敗する)のような準最適探索行動を示すことが多い。この研究は、これらの振る舞いを公式に定義し、定量化し、複数のQAデータセットとエージェントRAGシステムにまたがるそれらの頻度を明らかにする。
論文参考訳（メタデータ） (2025-05-22T20:57:56Z)

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。