論文の概要: RAGit: Turning Document Preprocessing into an Experimental Variable for RAG

• arxiv url: http://arxiv.org/abs/2610.24659v1
• Date: Sat, 17 Oct 2026 12:17:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 17:10:59.470649
• Title: RAGit: Turning Document Preprocessing into an Experimental Variable for RAG
• Title（参考訳）: RAGit: ドキュメント前処理をRAGの実験変数に変換する
• Abstract要約: RAGitは、ダウンストリーム検索による文書前処理の選択を体系的に評価するためのオープンソースの実験である。 RAGitは解析、チャンキング、インデックス付け、検索、評価を実験段階として表現する。 検索されたチャンクをソースページに保存し、検索ユニットの共通ページレベルのランク付けを行う。
• 参考スコア（独自算出の注目度）: 12.138414663218706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Document preprocessing choices can substantially affect retrieval in Retrieval-Augmented Generation (RAG) pipelines, yet they are often selected heuristically and are difficult to compare under consistent conditions. We present RAGit, an open-source experimentation workbench for the systematic and reproducible evaluation of document preprocessing choices through downstream retrieval. RAGit represents parsing, chunking, indexing, retrieval, and evaluation as configurable experimental stages, enabling controlled comparisons while the remaining downstream settings are kept fixed. It preserves provenance from retrieved chunks to source pages and maps heterogeneous retrieval units to a common page-level ranking for evaluation. The current implementation supports multiple parsers and chunking strategies, dense and late-interaction retrieval, reusable intermediate artifacts, and multi-configuration benchmarking. We demonstrate RAGit through controlled experiments comparing alternative preprocessing configurations under a fixed retrieval setup, illustrating how preprocessing can be treated as an explicit experimental variable. RAGit and its documentation are publicly available on GitHub (https://github.com/OmarElbachyr/ragit). A demonstration video is available at https://youtu.be/tsst-Bhfz4I.
• Abstract（参考訳）: 文書前処理の選択は、検索-拡張生成(RAG)パイプラインの検索に大きく影響を与えるが、しばしばヒューリスティックに選択され、一貫した条件下で比較することは困難である。 本稿では、下流検索による文書前処理選択の体系的かつ再現可能な評価のためのオープンソースの実験ワークベンチであるRAGitについて述べる。 RAGitは、解析、チャンキング、インデックス、検索、評価を設定可能な実験段階として表現し、残りの下流設定が固定されている間、制御された比較を可能にする。 取得したチャンクからソースページへの証明を保存し、異種検索ユニットを評価のための共通ページレベルのランキングにマップする。 現在の実装では、複数のパーサとチャンキング戦略、密集と遅延相互作用の検索、再利用可能な中間アーティファクト、マルチコンフィギュレーションベンチマークがサポートされている。 我々は, RAGitを, 事前処理を明示的な実験変数として扱う方法を示し, 固定された検索条件下で, 代替プリプロセッシング構成を比較する制御実験を通じて実証する。 RAGitとそのドキュメントはGitHubで公開されている(https://github.com/OmarElbachyr/ragit)。 デモビデオはhttps://youtu.be/tsst-Bhfz4Iで公開されている。

関連論文リスト

• Rethinking RAG in Long Videos: What to Retrieve and How to Use It? [56.38819694781005]
  V-RAGBenchは$langle$query, evidence chunk, answer$rangle$三重項のベンチマークで、検索と生成を忠実に分離した評価を可能にする。 また、CARVEは、コンフィグレーションにまたがって並列レトリバーを動作させ、チャンク毎に入賞構成を識別するためにチャンク適応リランクを用いる手法である。
  論文  参考訳（メタデータ） (2026-06-11T10:05:49Z)
• Source-Aware Reranking for Retrieval-Augmented Generation: A Reliability Prior Approach [0.0]
  本研究は,RAG検索ランキングの簡易かつ解釈可能な変更について評価する。 このフレームワークは120文書の健康ドメインコーパスの類似性のみのベースラインに対して評価される。 source-aware re ranking は Precision@5 を 0.48 から 0.72 に改善し、平均敵対的なドキュメント検索を減らす。
  論文  参考訳（メタデータ） (2026-06-08T14:09:04Z)
• Lost in the Evidence? Reproducing Document Position and Context Size Effects in RAG [3.597778914286147]
  Retrieval-Augmented Generation (RAG) システムは、取得した文書がモデルの入力コンテキストに入力されることに依存する。 先行研究は、中年期の喪失や関連する長文現象のような位置に基づく効果を報告している。 トピックサンプリングが分散の主要な原因であることを示し、小さなトピックセットはオーダリング効果を誇張することができる。 また,より現実的なRAGシナリオについて検討した。
  論文  参考訳（メタデータ） (2026-05-26T14:44:19Z)
• R$^3$AG: Retriever Routing for Retrieval-Augmented Generation [59.47703698994575]
  R$3$AGは、検索機能を2つの学習可能なディメンション、すなわち検索品質と生成ユーティリティに分解する。 R$3$AGは、最高の個々のレトリバーと最先端の静的ルーティングメソッドの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-22T06:51:20Z)
• Comprehensive Comparison of RAG Methods Across Multi-Domain Conversational QA [18.46710400838861]
  本稿では,マルチターン対話型QAにおけるRAG手法の体系的比較の欠如に対処する。 本研究では,8種類の対話型QAデータセットを対象とした,バニラ法と高度なRAG法に関する総合的研究を行った。 以上の結果から,再ランク付けやハイブリッドBM25,HyDEなどの頑健で簡便な手法がバニラRAGより一貫して優れていたことが示唆された。
  論文  参考訳（メタデータ） (2026-02-10T08:59:23Z)
• RAGVUE: A Diagnostic View for Explainable and Automated Evaluation of Retrieval-Augmented Generation [1.564663326217051]
  RAGVUEはRetrieval-Augmented Generation (RAG)システムを評価するためのフレームワークである。 RAGの振る舞いを検索品質、回答の妥当性と完全性、厳格なクレームレベルの忠実さ、および判断の校正に分解する。 RAGVUEは手動のメートル法選択と完全に自動化されたエージェント評価の両方をサポートしている。
  論文  参考訳（メタデータ） (2025-12-03T07:42:49Z)
• Collapse of Dense Retrievers: Short, Early, and Literal Biases Outranking Factual Evidence [56.09494651178128]
  検索モデルは、Retrieval-Augmented Generation (RAG)のような情報検索(IR)アプリケーションで一般的に使用される。 我々は、Dragon+やContrieverのようなリトリーバーに対する、短いドキュメントの好みなどのバイアスの影響を定量化する。 私たちは大きな脆弱性を発見し、リトリバーが短いドキュメント、早い位置、繰り返しのエンティティ、リテラルマッチを好んで、答えの存在を無視しながら表示します。
  論文  参考訳（メタデータ） (2025-03-06T23:23:13Z)
• SPRINT: A Unified Toolkit for Evaluating and Demystifying Zero-shot Neural Sparse Retrieval [92.27387459751309]
  ニューラルスパース検索を評価するための統一PythonツールキットであるSPRINTを提供する。 我々は、よく認識されているベンチマークBEIRにおいて、強く再現可能なゼロショットスパース検索ベースラインを確立する。 SPLADEv2は、元のクエリとドキュメントの外で、ほとんどのトークンでスパース表現を生成する。
  論文  参考訳（メタデータ） (2023-07-19T22:48:02Z)
• DAPR: A Benchmark on Document-Aware Passage Retrieval [57.45793782107218]
  我々は,このタスクemphDocument-Aware Passage Retrieval (DAPR)を提案する。 State-of-The-Art(SoTA)パスレトリバーのエラーを分析しながら、大きなエラー(53.5%)は文書コンテキストの欠如に起因する。 提案するベンチマークにより,検索システムの開発・比較を今後行うことができる。
  論文  参考訳（メタデータ） (2023-05-23T10:39:57Z)

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。