論文の概要: Does Document Structure Help Dense Retrieval? A Placebo-Controlled Ablation of Four Mechanisms Across Two Corpora
- arxiv url: http://arxiv.org/abs/2610.10170v1
- Date: Wed, 07 Oct 2026 14:45:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.974801
- Title: Does Document Structure Help Dense Retrieval? A Placebo-Controlled Ablation of Four Mechanisms Across Two Corpora
- Title（参考訳）: 文書構造は高密度検索に役立つか? 2つのコーパスにまたがる4つのメカニズムのプラセボ型アブレーション
- Abstract要約: 検索強化世代システムはますます文書構造処理に依存している。
1つのプロトコルで4つの治療法すべてをテストする機構を分離したアブレーションを提案する。
対象を意識したnDCGを用いて検索を行い,ホルム補正を施した文書クラスタブートストラップを用いて4つの事前登録コントラストを試験した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retrieval-augmented generation systems increasingly rely on document-structure treatments: structure-aligned chunking, LLM-generated chunk contexts, heading-path metadata, and hierarchical two-stage retrieval. Separate studies support each on different corpora, embedders, and metrics, and none control for a shared confound: any text prepended to a chunk perturbs its embedding. We present a mechanism-isolating ablation testing all four treatments under one protocol, matching chunk sizes across conditions and adding a semantically null placebo---heading paths that are structurally valid but shuffled across documents. We score retrieval with a coverage-aware nDCG and test four pre-registered contrasts via document-clustered bootstrap with Holm correction, on two distant corpora: 200 Wikipedia Featured Articles (951 queries) and 1,585 QASPER papers (4,303 questions). Organization helps, and the cause is content, not tokens: structure-aligned chunks with real heading paths beat contextualized fixed windows (+0.022 / +0.012 cov-nDCG@10) and the placebo (+0.010 / +0.016). Naive two-stage hierarchical retrieval hurts (-0.033 / -0.015), traceable to first-stage section recall. Gold structure beats LLM-induced structure on Wikipedia but not on QASPER. Effects are small ($dz$ 0.06-0.11) but Holm-significant and consistent across corpora.
- Abstract（参考訳）: Retrieval-augmented generation systemは、構造整合チャンキング、LCM生成チャンクコンテキスト、見出しパスメタデータ、階層的な2段階検索といったドキュメント構造処理にますます依存している。
別々の研究は、それぞれ異なるコーパス、埋め込み、メトリクスをサポートし、共有されたコンファウンドを制御しない。
本稿では,4つの処理すべてを1つのプロトコルで検証し,チャンクサイズを条件に一致させ,構造上は有効だが文書間をシャッフルするセマンティックにヌルなプラセボ-ヘッダーを付加する機構について述べる。
我々は,200 Wikipedia Featured Articles (951 query) と1,585 QASPER papers (4,303 questions) の2つの遠いコーパス上で,カバレッジを意識したnDCGを用いて検索を行い,文書クラスタ化ブートストラップによる4つのコントラストをテストした。
実際の方向パスを持つ構造整列チャンクは、コンテキスト化された固定ウィンドウ(+0.022 / +0.012 cov-nDCG@10)とプラセボ(+0.010 / +0.016)を破る。
2段階の階層的検索は(-0.033 / -0.015)、第1段階のリコールにトレース可能である。
ゴールド構造は、ウィキペディアではLLMによる構造に勝るが、QASPERでは勝らない。
効果は小さい(dz$ 0.06-0.11)が、ホルムが重要でコーパス全体で一貫性がある。
関連論文リスト
- From PDF to Evidence: Structure-Aware Retrieval for Clinical Practice Guidelines [7.606018670436672]
各ページイメージを型付き構造要素に解析し、文書のレイアウトに従う構造対応エビデンスユニットを検索する。
9つの情報源から得られた26の治験ガイドラインでは、構造認識ユニットがまず金元素をBM25、密集、ハイブリッド検索でランク付けしている。
論文 参考訳（メタデータ） (2026-09-27T10:55:19Z) - Robust Hierarchical Structures for Agentic Document Analysis [6.4216011378870865]
大規模言語モデル(LLM)により、PDFやWordドキュメントなど、テキストドキュメントをよりよく理解することができます。
LLMは通常、平文のような文書を扱い、しばしば階層的にセクションとサブセクションに分けられるという事実を無視している。
強靭でコンパクトな構造を推定するための2段階のワークフローであるSHEDを提案する。
論文 参考訳（メタデータ） (2026-09-27T07:39:57Z) - WeVisDoc: From Coverage to Capability for Robust End-to-End Document Parsing [14.270250075061483]
WeVisDocは、堅牢なエンドツーエンドドキュメント解析のための2段階のデータ中心フレームワークである。
WeVisDoc-4BはOmniDocBench v1.6で95.38点、PureDocBenchの3トラックの平均スコアは75.54点に達した。
Stage Iと比較すると、Stage IIは両方のベンチマークで2Bと4Bの総合スコアを改善し、劣化したPureDocBenchトラックで大きく向上した。
論文 参考訳（メタデータ） (2026-09-17T14:04:31Z) - VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。
100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。
強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
論文 参考訳（メタデータ） (2026-08-18T15:23:06Z) - Towards Retrieving Interaction Spaces for Agentic Search [62.666902610940525]
最近の直接コーパス(DCI)の研究は、エージェントが5.4のインタラクションやファイル読み取りといったシェルツールを通じて生コーパスと対話できることを示している。
エージェント検索における検索の役割は, LLMコンテキストウィンドウに適合する文書を選択することだけではなく, インタラクション空間を構築することにある。
論文 参考訳（メタデータ） (2026-06-05T03:47:40Z) - Evidence Units: Ontology-Grounded Document Organization for Parser-Independent Retrieval [0.0]
要素レベルの索引付けは、独立したチャンクとして解析された全ての要素を扱い、セマンティックな結合単位を別々の検索候補に分散させる。
本稿では,エビデンス・ユニット(EU)を構成するパイプラインについて述べる。
論文 参考訳（メタデータ） (2026-04-01T05:32:16Z) - Graph-Aware Late Chunking for Retrieval-Augmented Generation in Biomedical Literature [0.0]
GraLC-RAGは、グラフ認識構造インテリジェンスと遅延チャンキングを統合するフレームワークである。
2,359 IMRaD-filtered Centralの項目に対して,2,033の横断質問を用いた6つの戦略を評価する。
論文 参考訳（メタデータ） (2026-03-23T23:22:58Z) - MoDora: Tree-Based Semi-Structured Document Analysis System [62.01015188258797]
半構造化文書は、様々な不規則なレイアウトで配置された様々なインターリーブされたデータ要素を統合する。
MoDora は半構造化文書解析のための LLM を利用したシステムである。
実験では、MoDoraは5.97%-61.07%の精度でベースラインを上回っている。
論文 参考訳（メタデータ） (2026-02-26T14:48:49Z) - $G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA [53.491241153213565]
G2$-Readerはマルチモーダルな質問応答のためのデュアルグラフシステムである。
Qwen3-VL-32B-Instructによる$G2$-Readerの平均精度は66.21%に達し、強力なベースラインとスタンドアローンのGPT-5(53.08%)を上回った。
5つのマルチモーダルドメインにわたるVisDoMBenchでは、Qwen3-VL-32B-Instructを使った$G2$-Readerが平均精度66.21%に達し、強力なベースラインとスタンドアロンのGPT-5(53.08%)を上回っている。
論文 参考訳（メタデータ） (2026-01-29T17:52:54Z) - LOCR: Location-Guided Transformer for Optical Character Recognition [55.195165959662795]
自動回帰中にトランスフォーマーアーキテクチャに位置案内を組み込むモデルであるLOCRを提案する。
125Kの学術文書ページから777万以上のテキスト配置ペアからなるデータセット上でモデルをトレーニングする。
これは、編集距離、BLEU、METEOR、F測定によって測定されたarXivから構築されたテストセットの既存のメソッドよりも優れています。
論文 参考訳（メタデータ） (2024-03-04T15:34:12Z)
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。