Fugu-MT 論文翻訳(概要): RIT-RAG: Navigating Document Corpora with Retrieval-Induced Trees

論文の概要: RIT-RAG: Navigating Document Corpora with Retrieval-Induced Trees

arxiv url: http://arxiv.org/abs/2610.11370v1
Date: Thu, 08 Oct 2026 07:03:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-10 02:36:53.849904
Title: RIT-RAG: Navigating Document Corpora with Retrieval-Induced Trees
Title（参考訳）: RIT-RAG: 検索木を用いた文書コーパスのナビゲーション
Abstract要約: RIT-RAGは、その内容または外部ナビゲーションポイントのテーブルから、各ドキュメントのためのツリーを構築する。エージェントはサブツリーをナビゲートし、有望なノードを選択的に読み込み、必要に応じてクエリを再構成する。バニラ、グラフベース、エージェントベースラインの回答精度が最も高い。
参考スコア（独自算出の注目度）: 10.62109671127318
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Retrieval-augmented generation (RAG) grounds language models in external corpora. Agentic RAG enables iterative search, yet exposes the model to isolated chunks without document structure, making it difficult to distinguish relevant evidence from chunks that merely resemble the query. Structure-aware methods such as PageIndex navigate document structure but cannot scale to the structures of large corpora, which do not fit in the LLM context. Hence, they first commit to a single document using a document retriever and cannot recover from a wrong choice. We propose RIT-RAG (Retrieval-Induced Tree RAG), which combines content retrieval with structural navigation. Offline, RIT-RAG builds a tree for each document from its table of contents or sitemap. At query time, it retrieves a broad set of chunks and uses their positions to induce manageable sub-trees, potentially across multiple documents. An LLM agent navigates these sub-trees, selectively reads promising nodes, and reformulates queries when needed. Thus, retrieval proposes where to look, while the agent decides what to read. Across financial, scientific, and customer-support benchmarks, RIT-RAG achieves the highest answer accuracy among vanilla, graph-based, and agentic baselines. On EntQABench, our new benchmark of 2.84 million technical-documentation webpages, it improves accuracy by 6.8 to 11.4 points over the strongest baseline across three LLMs.
Abstract（参考訳）: Retrieval-augmented Generation (RAG)は、言語モデルを外部コーパスに基礎を置いている。 Agentic RAGは反復検索を可能にするが、文書構造のない孤立したチャンクにモデルを公開し、クエリにのみ類似したチャンクと関連するエビデンスを区別することは困難である。 PageIndexのような構造対応のメソッドはドキュメント構造をナビゲートするが、LLMコンテキストに適合しない大きなコーパスの構造にはスケールできない。そのため、まずドキュメントレトリバーを使用して単一のドキュメントにコミットし、間違った選択から回復することができない。コンテンツ検索と構造ナビゲーションを組み合わせたRIT-RAG(Retrieval-induced Tree RAG)を提案する。オフラインでは、RIT-RAGは各ドキュメントのコンテンツやサイトマップからツリーを構築する。クエリ時に、広範囲のチャンクを検索し、その位置を使って管理可能なサブツリーを誘導する。 LLMエージェントはこれらのサブツリーをナビゲートし、有望なノードを選択的に読み出し、必要に応じてクエリを書き換える。したがって、検索はどこで見るべきかを提案し、エージェントは何を読むかを決定する。 RIT-RAGは、財務、科学、顧客支援ベンチマーク全体にわたって、バニラ、グラフベース、エージェントベースラインの中で最も高い回答精度を達成している。 2億4800万のテクニカルドキュメントWebページのベンチマークであるEntQABenchでは、3つのLDMで最強のベースラインに対して6.8～11.4ポイントの精度向上を実現しています。

関連論文リスト

Tree Navigation Without LLM Summaries: A Matched-Cost Study of Hierarchical Retrieval for Long-Document QA [3.119859292303397]
長文書QAにおける要約木の主な利点は,生成した要約コンテンツではなくナビゲーションから得られることを示す。 NavTreeは葉のみのレトリバーで、チャンク上に決定論的バランスの取れたセグメントツリーを構築する。 NavTreeは、評価グリッドの中で最強のマッチングコスト階層的リトリーバーであり、最強のフラットベースラインと結びついています。
論文参考訳（メタデータ） (2026-09-30T08:42:45Z)
Follow the Entities: A Corpus Map for Agentic Search [51.18417781623532]
繰り返し発生するエンティティの周囲のコーパスを整理するナビゲーション層であるCorpusMapを紹介する。我々は,コーパスマップにより,生のエージェント検索よりも証拠発見と回答品質が向上することを示した。
論文参考訳（メタデータ） (2026-09-29T10:39:57Z)
Retrieval as Reasoning: Self-Evolving Agent-Native Retrieval via LLM-Wiki [6.956097396264084]
LLMエージェントは、検索をワンショットのコンテキストフェッチのように振る舞うのではなく、推論のように振る舞う必要がある。現在、RAG(Retrieval-Augmented Generation)システムは、類似性を埋め込んだフラットチャンクとして外部知識を整理している。本稿では,外部知識をコンパイル可能,構成可能,自己進化的構造として扱うことにより,検索パラダイムを運用するエージェントネイティブ検索システム LLM-Wiki を提案する。
論文参考訳（メタデータ） (2026-05-25T06:36:14Z)
Hierarchical Abstract Tree for Cross-Document Retrieval-Augmented Generation [3.338186852016847]
$-RAGは2つの主要なコンポーネントを持つツリーRAGフレームワークである。トークンレベルの質問応答からドキュメントレベルの要約まで,さまざまなタスクをサポートする。 RAPTORを25.9%、HippoRAG 2を7.4%上回っている。
論文参考訳（メタデータ） (2026-05-01T09:06:23Z)
Don't Retrieve, Navigate: Distilling Enterprise Knowledge into Navigable Agent Skills for QA and RAG [7.558933130117637]
Corpus2Skillはドキュメントコーパスを階層的なスキルディレクトリにオフラインで蒸留する。コンパイルパイプラインは、文書を反復的にクラスタリングし、各レベルでLCMで書かれた要約を生成し、ナビゲート可能なスキルファイルのツリーとして結果を実体化する。サービス時には、エージェントは、コーパスの鳥眼ビューを受け取り、徐々に細かな要約を通してトピックブランチにドリルし、IDによって全文書を検索する。
論文参考訳（メタデータ） (2026-04-16T03:05:37Z)
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)
BookRAG: A Hierarchical Structure-aware Index-based Approach for Retrieval-Augmented Generation on Complex Documents [11.158307125677375]
Retrieval-Augmented Generation (RAG)は、外部の複雑なドキュメントから非常に関連性の高い情報をクエリする。本稿では,階層構造を持つ文書を対象とした新しいRAG手法であるBookRAGを紹介する。 BookRAGは最先端のパフォーマンスを実現し、検索リコールとQA精度の両方において、ベースラインを著しく上回っている。
論文参考訳（メタデータ） (2025-12-03T03:40:49Z)
Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。 AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
論文参考訳（メタデータ） (2025-07-22T06:37:51Z)
Chain of Retrieval: Multi-Aspect Iterative Search Expansion and Post-Order Search Aggregation for Full Paper Retrieval [68.71038700559195]
The Chain of Retrieval (COR) is a novel repeaterative framework for full-paper search。 SCIBENCH(SCIBENCH)は、クエリと候補のための全論文の完全なコンテキストとセグメント化されたコンテキストを提供するベンチマークである。
論文参考訳（メタデータ） (2025-07-14T08:41:53Z)
ReTreever: Tree-based Coarse-to-Fine Representations for Retrieval [64.44265315244579]
そこで本研究では,様々なレベルで参照文書を整理し,表現するためのツリーベース手法を提案する。我々の手法はReTreeverと呼ばれ、クエリと参照ドキュメントが同様のツリーブランチに割り当てられるように、バイナリツリーの内部ノード毎のルーティング関数を共同で学習する。我々の評価では、ReTreeverは一般的に完全な表現精度を保っている。
論文参考訳（メタデータ） (2025-02-11T21:35:13Z)

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。