論文の概要: Characterising and Analysing Retrieval-Augmented Generation Techniques
- arxiv url: http://arxiv.org/abs/2610.23226v1
- Date: Fri, 16 Oct 2026 09:55:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.860162
- Title: Characterising and Analysing Retrieval-Augmented Generation Techniques
- Title（参考訳）: 検索付加生成技術の特徴付けと解析
- Abstract要約: 概念的枠組みは文献に報告されているRAG手法の属性の質的分析を通じて展開された。
研究者や実践者が最も適したRAG候補を選択する際に、経験済みのフィルタリングメカニズムとして機能する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The advent of Large Language Models (LLMs) across many application domains has increased the need for Retrieval-Augmented Generation (RAG) to reduce hallucinations and improve LLM performance. Thus far, several RAG techniques with impressive features and capabilities have been proposed in the literature, making it a herculean task to select the most appropriate RAG techniques for specific problem scenarios. Thus, we propose a conceptual framework comprising main dimensions and sub-dimensions for characterising (defining "what it is") and analysing (defining "how well it does") existing RAG techniques. The conceptual framework was developed through a qualitative analysis of the attributes of RAG techniques reported in the literature. It can serve as a pre-empirical filtering mechanism for researchers and practitioners in selecting the highest-fit RAG candidates that meet specific user and task requirements before empirical benchmarking of RAG techniques, which can be computationally and financially expensive.
- Abstract（参考訳）: 多くのアプリケーション領域にまたがるLarge Language Models (LLM) の出現により、幻覚の低減とLLMの性能向上のために、Retrieval-Augmented Generation (RAG) の必要性が高まっている。
これまでのところ、優れた特徴と能力を持つ複数のRAG技術が文献で提案されており、特定の問題シナリオに最も適したRAG技術を選択するための階層的なタスクとなっている。
そこで本研究では,従来のRAG技術を用いて,主次元と部分次元を特徴付け(「何が正しいか」を定義),分析(「うまく動作するか」を判断)するための概念的枠組みを提案する。
概念的枠組みは文献に報告されているRAG技法の属性の質的分析を通じて展開された。
これは、RAG技術の実験的なベンチマークの前に、特定のユーザおよびタスク要求を満たす最も適したRAG候補を選択する際に、研究者や実践者の経験的なフィルタリングメカニズムとして機能する。
関連論文リスト
- Domain-Specific Data Generation Framework for RAG Adaptation [58.20906914537952]
Retrieval-Augmented Generation (RAG)は、大規模言語モデルの言語理解と推論能力と外部検索を組み合わせ、ドメイン基底応答を可能にする。
本稿では,様々なRAG適応手法に合わせて,ドメイン基底型質問応答コンテキスト(QAC)トリプルを生成するフレームワークであるRAGenを提案する。
論文 参考訳（メタデータ） (2025-10-13T09:59:49Z) - HIRAG: Hierarchical-Thought Instruction-Tuning Retrieval-Augmented Generation [16.201341932327036]
我々は、新しいRAG命令微調整手法、階層型命令-調整型検索生成(HIRAG)を導入する。
この方法は,多段階のプログレッシブ・チェーン・オブ・シントを利用して,モデルのオープンブック検査能力を向上させる。
実験によると、HIRAGトレーニング戦略は、RGB、PopQA、MuSiQue、HotpotQA、PubmedQAといったデータセット上でのモデルのパフォーマンスを大幅に改善する。
論文 参考訳（メタデータ） (2025-07-08T06:53:28Z) - A Survey of Query Optimization in Large Language Models [10.255235456427037]
RAGは、動的に検索し、最新の関連情報を活用することによって、大規模言語モデルの限界を緩和する。
QOは重要な要素として現れ、RAGの検索段階の有効性を決定する上で重要な役割を担っている。
論文 参考訳（メタデータ） (2024-12-23T13:26:04Z) - Searching for Best Practices in Retrieval-Augmented Generation [31.438681543849224]
Retrieval-augmented Generation (RAG) 技術は最新情報の統合に有効であることが証明されている。
本稿では,既存のRAG手法とその潜在的な組み合わせについて検討し,最適なRAG手法を同定する。
我々は、パフォーマンスと効率のバランスをとるRAGをデプロイするためのいくつかの戦略を提案する。
論文 参考訳（メタデータ） (2024-07-01T12:06:34Z) - FlashRAG: A Modular Toolkit for Efficient Retrieval-Augmented Generation Research [70.6584488911715]
検索増強世代(RAG)は、かなりの研究関心を集めている。
既存のRAGツールキットは、しばしば重くて柔軟であり、研究者のカスタマイズのニーズを満たすことができない。
我々のツールキットは16の高度なRAGメソッドを実装し、38のベンチマークデータセットを収集し、整理した。
論文 参考訳（メタデータ） (2024-05-22T12:12:40Z) - RAGGED: Towards Informed Design of Scalable and Stable RAG Systems [51.171355532527365]
Retrieval-augmented Generation (RAG)は、外部知識を統合することで言語モデルを強化する。
RAGGEDは、RAGシステムを体系的に評価するためのフレームワークである。
論文 参考訳（メタデータ） (2024-03-14T02:26:31Z) - 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。