論文の概要: PRIME: Pre-Retrieval Index Modeling Enhancement for Structured Document Retrieval-Real
- arxiv url: http://arxiv.org/abs/2610.13296v1
- Date: Fri, 09 Oct 2026 09:44:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.509056
- Title: PRIME: Pre-Retrieval Index Modeling Enhancement for Structured Document Retrieval-Real
- Title（参考訳）: PRIME:構造化文書検索の事前検索インデックスモデリングの強化
- Abstract要約: 事前検索インデックスモデリングと拡張は、既存の情報検索研究に基づいている。
セマンティック再構成トラックは、長い文書を構造化された情報密度セクションに変換する。
決定論的メタデータ合成トラックは、粗い部分検索のための意味的アンカーと方向構造を抽出する。
- 参考スコア（独自算出の注目度）: 6.272878315342466
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: High-precision retrieval over external knowledge bases is essential for LLM agents to operate effectively. However, existing Information Retrieval (IR) research primarily optimizes query-side retrievers (e.g., ColBERT, BGE) and generators (e.g., Self-RAG, GraphRAG), while reducing corpus-side representation to chunking. This leaves index-side quality an underexplored lever. We propose Pre-Retrieval Index Modeling & Enhancement (PRIME), an index-side optimization framework built on two complementary tracks: an LLM-driven Semantic Restructuring (SR) track that transforms long documents into structured, information-dense sections, and a deterministic Metadata Synthesis (MS) and Hierarchical Retrieval (HR) track that extracts semantic anchors and heading structure for coarse-to-fine section retrieval. Our evaluations show that deterministic metadata matches structure-aware chunking's retrieval quality while cutting embedding computation by 45.8 $\times$ and index vector count by 22.4 $\times$. On top of these gains, Semantic Restructuring (SR) further improves Answer-F1 by 13.7% in full deployment, with characterized quality-fidelity-cost trade-offs. Across QASPER, BRIGHT, and NFCorpus, we further characterize three qualitative regimes that determine whether index-side optimization helps or degrades retrieval, while showing that these index-side effects are neutralized under a strong reranker.
- Abstract（参考訳）: LLMエージェントが効果的に動作するためには,外部知識ベース上での高精度検索が不可欠である。
しかし、既存のInformation Retrieval (IR) 研究は主にクエリサイドレトリバー(例えば、ColBERT、BGE)とジェネレータ(例えば、Self-RAG、GraphRAG)を最適化し、コーパス側表現をチャンキングに還元する。
これによりインデックス側の品質は未探索のレバーとなる。
LLM駆動のセマンティック再構成(SR)トラックは長い文書を構造化した情報密度セクションに変換し、決定論的メタデータ合成(MS)と階層的検索(HR)トラックは意味的アンカーを抽出し、粗い部分検索のための方向構造を導出する。
評価の結果,定性的なメタデータは,組込み計算を45.8$\times$に,インデックスベクトル数を22.4$\times$に削減しながら,構造を意識したチャンキングの検索品質と一致していることがわかった。
これらの成果に加えて、Semantic Restructuring (SR) はAnswer-F1をさらに13.7%改善し、品質の忠実さとコストのトレードオフを特徴としている。
QASPER, BRIGHT, NFCorpusの3つの定性的手法により, インデックス側最適化が検索の助けとなるか低下するかを判定し, 指標側効果が強いリランカの下で中和されることを示す。
関連論文リスト
- Learning to Retrieve via Reinforcement Learning in Embedding Space [18.486089919835592]
RELERは、埋め込みモデルが埋め込み空間で直接検索することを学ぶことができる強化学習フレームワークである。
我々は、正規化エンコーダ出力を中心としたvon Mises-Fisher (vMF) から、単位長クエリと文書埋め込みアクションをサンプリングしてRELERを訓練する。
条件平均射影 (CMP) は、それぞれのサンプルをエンコーダ出力で区切られた低次元部分空間に埋め込む。
論文 参考訳（メタデータ） (2026-10-06T04:29:29Z) - Beyond Fixed Depths and Widths: Optimizing Textual Decoding Tries in LLM-based Generative Recommendation [59.20704286413859]
本稿では,テキスト用語IDとその基盤となるデコードトリエを共設計する新しいフレームワークを提案する。
BONSAIは最先端のベースラインよりも21.6%向上している。
論文 参考訳（メタデータ） (2026-07-18T04:31:02Z) - CAMI: Cost-Aware Agent-Guided Multi-Indexing for Semantic Retrieval [7.07006462273528]
CAMI(Cost-Aware Multi-Indexing)は、マルチインデックス構築を予算付き多目的ポートフォリオ選択問題として形式化するフレームワークである。
その結果,厳格な予算制約の下で,ハイリコールポートフォリオを系統的に分離することが判明した。
CAMIは、これらのハイリコールポートフォリオを、ランダムな検索ベースラインに比べて最大5倍の予算で体系的に識別することができる。
論文 参考訳（メタデータ） (2026-06-14T16:59:18Z) - 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) - Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs [55.78708003681562]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、生成時に外部知識を取り入れることで緩和する。
既存のRAGアプローチは通常、コンテキストとしてテキストフラグメントを検索し、非構造化する。
本稿では,三重項に基づく検索フレームワークTri-RAGを提案する。
論文 参考訳（メタデータ） (2026-04-14T11:36:29Z) - TopoChunker: Topology-Aware Agentic Document Chunking Framework [5.304983617085637]
TopoChunkerは異種文書を構造化中間表現(Structured Intermediate Representation, SIR)にマッピングするエージェントフレームワークである
構造的忠実度と計算コストのバランスをとるため、TopoChunkerはデュアルエージェントアーキテクチャを採用している。
絶対生成精度が8.0%向上し、83.26%のRecall@3を達成し、同時にトークンオーバーヘッドを23.5%削減した。
論文 参考訳（メタデータ） (2026-03-19T02:15:10Z) - Relatron: Automating Relational Machine Learning over Relational Databases [50.94254514286021]
本稿では, RDL と DFS を共有設計空間に統合し, 多様な RDB タスクを対象としたアーキテクチャ中心の検索を行う。
RDLはDFSを一貫して上回り、高いタスク依存性を持つ。(2)タスク全体において単一のアーキテクチャが支配的であり、タスク認識モデル選択の必要性を強調し、精度は選択アーキテクチャの信頼性の低いガイドである。
論文 参考訳（メタデータ） (2026-02-26T02:45:22Z) - TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。
報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
論文 参考訳（メタデータ） (2025-11-07T16:08:34Z) - Metadata-Driven Retrieval-Augmented Generation for Financial Question Answering [0.0]
文脈的にリッチなドキュメントチャンクを作成するための高度なインデックスパイプラインを導入します。
我々は、検索前フィルタリング、検索後再ランク付け、エンリッチな埋め込みなど、さまざまな拡張のスペクトルをベンチマークする。
提案する最適アーキテクチャは、LLM駆動の事前検索最適化とコンテキスト埋め込みを組み合わせることで、優れた性能を実現する。
論文 参考訳（メタデータ） (2025-10-28T13:16:36Z) - Lightweight and Direct Document Relevance Optimization for Generative Information Retrieval [49.669503570350166]
生成情報検索(GenIR)は、文書識別子(ドシデント)生成タスクとして文書検索を定式化する有望なニューラル検索パラダイムである。
既存のGenIRモデルはトークンレベルのミスアライメントに悩まされており、次のトークンを予測するためにトレーニングされたモデルは、ドキュメントレベルの関連性を効果的にキャプチャできないことが多い。
本稿では,トークンレベルのドシデント生成と文書レベルのドシデンス推定をペアのランク付けによる直接最適化により整合するダイレクトドキュメントレバレンス最適化(DDRO)を提案する。
論文 参考訳（メタデータ） (2025-04-07T15:27:37Z)
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。