論文の概要: Analyzing performance of Retrieval Augmented Generation models for Question Answering Tasks

• arxiv url: http://arxiv.org/abs/2610.20419v2
• Date: Thu, 15 Oct 2026 16:27:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.008758
• Title: Analyzing performance of Retrieval Augmented Generation models for Question Answering Tasks
• Title（参考訳）: 質問応答課題に対する検索拡張生成モデルの性能解析
• Abstract要約: 我々は、最適化されたハイブリッドRAGシステムの開発を導くために、高性能な要素を抽出することを目指している。 文化的根拠と非文化的疑問に対して,RAGの統合がパフォーマンスを異なるものにするかどうかを検討する。 我々の研究は、現在の手法を評価するだけでなく、より正確で効率的な質問応答パイプラインの将来の設計への道を開く。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) models have become almost a cornerstone of open-domain question answering tasks; in which the quality of answers generated in the process, greatly relies on the effectiveness of retrieval mechanisms. In the realm of LLM, the last two years have seen tremendous progress in RAG architectures, with many models reporting to have improved performance through various design innovations. The cultural question and answering systems of South Asia, in particular, present a specific challenge since the region is home to the vast number of languages and traditions, which are closely interrelated. Along with these deeply intertwined historical narratives increase the need for culturally grounded and context-aware interpretation. Despite major architectural advances in LLMs, claiming significant improvements, challenges remain when answering these region specific questions in native languages. In this study, we aim to extract high-performing factors to guide the development of optimized hybrid RAG systems. We further explore whether the integration of RAG changes performance differently for culturally grounded and non-cultural questions in a South Asian multilingual setup, and whether RAG produces a higher overall percentage of correct answers than contexted answering. We also examine how LLM performance changes when RAG methods are integrated into the question-answering pipeline in comparison with non-contexted and contexted answering and, evaluate whether the introduction of RAG benefits popular or non-popular culturally grounded questions more. Not only does our work evaluate the current methods but also carves a path for future designs of more accurate and efficient question-answering pipelines.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) モデルはほぼオープンドメインの質問応答タスクの基盤となっている。 LLMの領域では、過去2年間、RAGアーキテクチャが大幅に進歩し、多くのモデルが様々な設計革新を通じてパフォーマンスを改善したと報告している。 特に南アジアの文化的問題や答えシステムは、この地域に多くの言語や伝統があり、密接に関連しているため、特定の課題を呈している。 これらの深く絡み合った歴史物語と共に、文化的根拠と文脈に配慮した解釈の必要性が高まっている。 LLMのアーキテクチャが大幅に進歩したにもかかわらず、これらの領域固有の疑問にネイティブ言語で答える際の課題は残る。 本研究では,最適化されたハイブリッドRAGシステムの開発を導くために,ハイパフォーマンスな要素を抽出することを目的とする。 さらに, 韓国の多言語設定における文化的根拠と非文化的質問に対するRAGの統合が, 文脈的回答よりも総合的な回答の割合が高くなるかどうかについても検討した。 また,RAG手法を問合せパイプラインに組み込んだ場合のLCM性能の変化について,非文脈的・文脈的回答と比較して検討し,RAGの導入が大衆的・文化的根拠のない質問に対して有益であるかどうかを検証した。 我々の研究は、現在の手法を評価するだけでなく、より正確で効率的な質問応答パイプラインの将来の設計への道を開く。

関連論文リスト

• Bridging Language Gaps with Adaptive RAG: Improving Indonesian Language Question Answering [0.0]
  インドネシア語に適応RAGシステムを組み込むことで,言語ギャップを埋める努力を行った。 インドネシア語データセットの可用性の限界を克服するため,本研究では,機械翻訳をデータ拡張手法として採用した。
  論文  参考訳（メタデータ） (2025-10-24T00:50:20Z)
• Attributing Response to Context: A Jensen-Shannon Divergence Driven Mechanistic Study of Context Attribution in Retrieval-Augmented Generation [52.3707788779464]
  我々は、コンテキストに対する属性応答(ARC-JSD)のための新しいJensen-Shannon Divergence駆動方式を提案する。 ARC-JSDは、追加の微調整、勾配計算、サロゲートモデリングなしで、重要な文脈文の効率的かつ正確な識別を可能にする。 TyDi QA, Hotpot QA, Musique など,様々なスケールの命令調整 LLM を用いたRAG ベンチマークの評価により,精度が向上し,計算効率が向上した。
  論文  参考訳（メタデータ） (2025-05-22T09:04:03Z)
• On the Influence of Context Size and Model Choice in Retrieval-Augmented Generation Systems [5.69361786082969]
  Retrieval-augmented Generation (RAG)は、大規模言語モデル(LLM)の拡張手法として登場した。 我々は,様々なコンテキストサイズ,BM25,セマンティック検索を検索として評価し,8つの基本LLMについて検討した。 以上の結果から, 最終QA成績は最大15スニペットで着実に改善するが, 停滞あるいは低下がみられた。
  論文  参考訳（メタデータ） (2025-02-20T17:34:34Z)
• Enhancing Retrieval-Augmented Generation: A Study of Best Practices [16.246719783032436]
  我々は,クエリ拡張,新しい検索戦略,新しいコントラシティブ・インコンテクスト学習RAGを取り入れた高度なRAGシステム設計を開発する。 本研究は,言語モデルのサイズ,プロンプトデザイン,文書チャンクサイズ,知識ベースサイズ,検索ストライド,クエリ拡張手法,文レベルでのコンテキスト検索など,重要な要素を体系的に検討する。 本研究は,RAGシステムの開発に有効な知見を提供し,文脈的豊かさと検索・生成効率のバランスを図った。
  論文  参考訳（メタデータ） (2025-01-13T15:07:55Z)
• Leveraging the Domain Adaptation of Retrieval Augmented Generation Models for Question Answering and Reducing Hallucination [3.879723687090678]
  Retrieval Augmented Generation Modelは、質問回答のような下流アプリケーションに非常に効果的である。 最近、RAG-end2endモデルはアーキテクチャをさらに最適化し、ドメイン適応における顕著なパフォーマンス改善を実現した。 本稿では,ドメイン適応による多様なRAGおよびRAG様アーキテクチャの性能について検討する。
  論文  参考訳（メタデータ） (2024-10-23T11:32:46Z)
• Retrieval-Augmented Generation for Natural Language Processing: A Survey [25.11304732038443]
  検索強化世代(RAG)は、外部知識データベースを活用して大規模言語モデル(LLM)を拡張する 本稿では,RAGの重要技術,特に検索器と検索融合について概説する。 RAGの評価とベンチマーク、および代表的NLPタスクおよび産業シナリオにおけるRAGの適用。
  論文  参考訳（メタデータ） (2024-07-18T06:06:53Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of Large Language Models [49.16989035566899]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の能力を高める技術である。 本稿では,大規模かつ包括的なベンチマークを構築し,様々なRAGアプリケーションシナリオにおけるRAGシステムのすべてのコンポーネントを評価する。
  論文  参考訳（メタデータ） (2024-01-30T14:25:32Z)

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。