論文の概要: SAG2: Embedding-Free Multi-Hop Retrieval with BM25 and JEV

• arxiv url: http://arxiv.org/abs/2610.22588v1
• Date: Thu, 15 Oct 2026 19:37:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.641761
• Title: SAG2: Embedding-Free Multi-Hop Retrieval with BM25 and JEV
• Title（参考訳）: SAG2:BM25とJEVによる埋め込み不要マルチホップ検索
• Abstract要約: SAG2は、単一のデータベース、BM25、およびJEVによる文脈証拠決定を中心に構築された無料の検索アーキテクチャである。 これは、SAGのクエリ時関連原理に従い、イベントエンティリティと高密度インデックスを元の通路上の語彙インデックスに置き換える。 Recall@5とRecall@10は比較手法の中で最高であり、Recall@10は86.62%、97.43%、99RAG-Benchコーパスである。
• 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: Strong multi-hop retrieval should be practical to deploy without expensive corpus preparation or complex database infrastructure. We present SAG2, an embedding-free retrieval architecture built around a single SQLite database, BM25, and contextual evidence decisions from JEV. SAG2 follows the query-time association principle of SAG (SQL-Retrieval Augmented Generation), while replacing its event-entity and dense indexes with a lexical index over original passages. Selected passages supply terms for further retrieval, and newly retrieved evidence guides subsequent decisions. This moves semantic evidence selection to query time, eliminating offline embedding computation, LLM-based event-entity extraction, and dedicated database servers. The resulting system combines lightweight preparation with strong retrieval accuracy: on 1,000-question subsets of MuSiQue, 2WikiMultiHopQA, and HotpotQA, SAG2 achieves the highest Recall@5 and Recall@10 among the compared methods, with Recall@10 of 86.62%, 97.43%, and 99.00%. It also reaches 81.10% document Recall@10 over the 511,962-document EnterpriseRAG-Bench corpus. Indexing all 11,656 MuSiQue passages takes 2.36 seconds, produces a 25.87 MiB database, and requires no model calls. SAG2 demonstrates that accurate multi-hop evidence retrieval can be supported by compact, rapidly prepared infrastructure, making it a practical foundation for knowledge retrieval applications.
• Abstract（参考訳）: 強力なマルチホップ検索は、高価なコーパスの準備や複雑なデータベースインフラなしでデプロイすることが実用的である。 本稿では,単一のSQLiteデータベース上に構築された組込みフリー検索アーキテクチャであるSAG2,BM25,およびJEVによる文脈証拠決定について述べる。 SAG2は、SQL-Retrieval Augmented Generation(SQL-Retrieval Augmented Generation)のクエリ時間アソシエーションの原則に従い、イベントエンタリティと高密度インデックスを元のパス上の語彙インデックスに置き換える。 選択された通路は、さらなる検索のための条件を提供し、新たに取得された証拠は、その後の決定を導く。 これによりセマンティックエビデンスの選択をクエリ時間に移行し、オフラインの埋め込み計算、LLMベースのイベントエンタリティ抽出、専用データベースサーバを廃止する。 SAG2は、MuSiQue、2WikiMultiHopQA、HotpotQAの1000クエストサブセットにおいて、比較した手法の中で最も高いRecall@5とRecall@10を獲得し、Recall@10は86.62%、97.43%、99.00%である。 また、511,962 の EnterpriseRAG-Bench コーパスに対して 81.10% のドキュメント Recall@10 に達する。 11,656のMuSiQueパスのインデックス作成には2.36秒かかり、25.87のMIBデータベースを生成し、モデルコールは不要である。 SAG2は、精度の高いマルチホップエビデンス検索を、コンパクトで迅速に構築されたインフラによって支援できることを示し、知識検索アプリケーションのための実践的な基盤となっている。

関連論文リスト

• Cascaded Retrieval with Cross-Modal Query Refinement for Efficient Visual Document Search [54.48124421246385]
  現在の視覚言語レトリバーは、コーパスサイズとともに成長し、スケールすることができないクエリ時間コストを発生させる。 本稿では,検索性能を徹底検索から分離する2トラック検索フレームワークSCOUTを提案する。 SCOUTを4つの主要なベンチマークで評価し、最高のベースラインに対して80.7倍(平均28.8倍)のクエリ時間遅延改善を観測した。
  論文  参考訳（メタデータ） (2026-10-14T15:40:27Z)
• SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges [2.0521761359589914]
  SAG(Retrieval Augmented Generation)は、グローバルな知識グラフを構築することなく、文書をイベントエンテントインデックスに整理する。 SAGは、ベンチマーク毎に最高の検索とエンドツーエンドのQAパフォーマンスを達成する。 この作業は、LLMエージェントが継続的に成長する組織的知識を検索し、推論することを可能にする知識基盤の道を開く。
  論文  参考訳（メタデータ） (2026-08-12T14:49:40Z)
• SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges [2.0521761359589914]
  本稿では,検索およびエージェントシステムのための構造化アーキテクチャであるSAG(Retrieval Augmented Generation)を紹介する。 グローバルな静的グラフを事前に構築する代わりに、SAGは各チャンクをセマンティックに完全なイベントとインデックスエンティティのセットに変換する。 SAGはまた、数億のデータ項目のプロダクションスケールでデプロイされており、オンライン検索のレイテンシは数秒以内である。
  論文  参考訳（メタデータ） (2026-06-14T18:52:26Z)
• Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
  Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。 我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。 本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
  論文  参考訳（メタデータ） (2026-03-09T18:20:20Z)
• BRIGHT: A Realistic and Challenging Benchmark for Reasoning-Intensive Retrieval [54.54576644403115]
  BRIGHTは、関係する文書を検索するために、集中的推論を必要とする最初のテキスト検索ベンチマークである。 私たちのデータセットは、経済学、心理学、数学、コーディングなど、さまざまな領域にまたがる1,384の現実世界のクエリで構成されています。 クエリに関する明示的な推論を取り入れることで、検索性能が最大12.2ポイント向上することを示す。
  論文  参考訳（メタデータ） (2024-07-16T17:58:27Z)

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。