論文の概要: Learning Marginal Viewpoint Utility for Budgeted Evidence Selection in RAG

• arxiv url: http://arxiv.org/abs/2610.29234v1
• Date: Wed, 21 Oct 2026 05:44:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.249938
• Title: Learning Marginal Viewpoint Utility for Budgeted Evidence Selection in RAG
• Title（参考訳）: RAGにおける予算的エビデンス選択のためのマージナル視点の有用性の学習
• Abstract要約: LMVUは、現在の選択に付加される限界視点のカバレッジによって、候補者を優先順位付けすることを学ぶ。 トレーニングでは、各ベンチマークの開発分割からの視点アノテーションを使用して、同じ選択状態の候補を比較する。 推測では、LMVUは文脈が大きくなるにつれて予算可能な候補を繰り返し得点する。
• 参考スコア（独自算出の注目度）: 7.873175871670681
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation over multi-viewpoint queries must preserve distinct answers and positions from the retrieved evidence while operating under a fixed context budget. We introduce LMVU, a lightweight ranker that learns to prioritize candidates by the marginal viewpoint coverage they add to the current selection. Training uses viewpoint annotations from each benchmark's development split to compare candidates within the same selection state. At inference, LMVU repeatedly scores budget-feasible candidates as the context grows, without accessing these annotations. We evaluate two forms of recovered viewpoint coverage: RVC$_1$ assigns each viewpoint full credit for at least one supporting source unit, while RVC$_2$ assigns half credit for one and full credit for two or more distinct source units. Exact oracles measure achievable coverage under the same evidence pool and budget. Across four viewpoint-annotated benchmarks at a 1,024-token budget, LMVU achieves gains of up to 0.047 and 0.052 points in RVC$_1$ and RVC$_2$, respectively, over the strongest non-oracle baseline for each benchmark and metric, and reaches the exact viewpoint-breadth ceiling on two benchmarks.
• Abstract（参考訳）: 多視点クエリに対する検索拡張生成は、固定されたコンテキスト予算の下で動作している間に、検索されたエビデンスから異なる回答と位置を保持する必要がある。 LMVUは、現在の選択に付加される限界視点のカバレッジによって、候補を優先順位付けすることを学ぶ軽量なランク付け装置である。 トレーニングでは、各ベンチマークの開発分割からの視点アノテーションを使用して、同じ選択状態の候補を比較する。 LMVUは、これらのアノテーションにアクセスすることなく、コンテキストが大きくなるにつれて予算可能な候補を繰り返しスコアする。 RVC$_1$は少なくとも1つの支援源単位に対して各視点のフルクレジットを割り当て、RVC$_2$は1つの支援源単位に対して半分クレジットを割り当て、2つ以上の異なるソース単位に対してフルクレジットを割り当てる。 具体的なオラクルは、同じエビデンスプールと予算の下で達成可能なカバレッジを測定します。 LMVUは1,024の予算で4つの視点アノテートされたベンチマークで、それぞれRVC$_1$とRVC$_2$で0.047と0.052ポイントのゲインを達成し、各ベンチマークとメトリックで最強の非線形ベースラインを越え、2つのベンチマークで正確な視点ブレッドス天井に達する。

関連論文リスト

• SP$^2$ec: Adaptive Self-Speculative Decoding for Vision-Language Models [52.05605371053102]
  自己投機的復号化は、ターゲットモデルの部分をドラフトとして再利用する。 しかし、その効率性は各プロンプトに適したドラフト設定を選択することに依存する。 本研究では, 単一ピークSPeculative Decoding (SP$2$ec) を提案する。
  論文  参考訳（メタデータ） (2026-10-13T17:08:28Z)
• AMBER: Multi-View Adaptive Budget Allocation for Listwise Vision-Language Reranking [39.860570770730824]
  既存のマルチコール戦略は固定スケジュールに依存しており、不定型候補ペアと簡単なクエリによる高価なVLM呼び出しを無駄にしている。 本稿では,オンラインのマルチビューリグレードフレームワークであるAdaptive Multi-view Budgeted Elo Re rank (AMBER)を提案する。 AMBERは、断片化されたリストワイズVLM出力をローカルトーナメントとして扱い、連続Eloアップデートを使用して、軽量なグローバルランキング状態を維持する。
  論文  参考訳（メタデータ） (2026-10-02T05:23:50Z)
• StackTok: Accelerating VLMs Inference with Budget-Adaptive Visual Token Selection [17.809800994999225]
  StackTokはトレーニング不要のセレクタで、クエリ関連を客観的かつ視覚的なカバレッジとして扱い、予算の校正サポートとして扱う。 試験されたすべてのモデルにおいて、トレーニング不要のセレクタの中では、第1位である。 高解像度のLLaVA-NeXT-7Bでは、95.26%のフルトーケン性能を保ち、2,880 (5.6%) の視覚トークンしか持たない。
  論文  参考訳（メタデータ） (2026-09-15T08:35:57Z)
• Not All Attention Is Equal: A Quantitative Survey of the EEI Trade-off [8.068122032539332]
  この調査では、シーケンス・ツー・シーケンスのタスクの定式化、コンピュータビジョンへの適応、二次的ボトルネックに対処する効率の革新、解釈可能性の向上の4つのスレッドを網羅した。 我々は、効率、表現性、解釈可能性の3つの基準を定義し、EEIスコアリングフレームワークを用いて21の手法を比較した。 我々は、効率表現性・解釈可能性フロンティアの拡張と将来の方向性の特定として、注意研究をフレーミングすることで結論付ける。
  論文  参考訳（メタデータ） (2026-08-16T00:37:38Z)
• Stable Curves, Unstable Items: Item-Level Scaling Heterogeneity in Video LLMs [16.31176289941024]
  ビデオLLMは、視覚的予算が大きくなるにつれて、スムーズに改善されるか、飽和していることを示す。 制御された視覚的予算の下で,各凍結モデルペアを応答軌道で表現する。 我々は、構成の相補性、有害な遷移、およびテキスト上書きの一致したグリッド測度を導出する。
  論文  参考訳（メタデータ） (2026-08-07T09:25:20Z)
• 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)
• Adaptive Greedy Frame Selection for Long Video Understanding [11.923839324117674]
  大規模視覚言語モデル(VLM)は、長ビデオ質問応答にますます応用されている。 推論は入力フレームの数と結果の視覚トークンによってボトルネックとなることが多い。 固定フレーム予算下でのクエリ関連性とセマンティックな表現性を協調的に最適化する問合せ適応型グレディフレーム選択法を提案する。
  論文  参考訳（メタデータ） (2026-03-20T17:55:32Z)
• $V_1$: Unifying Generation and Self-Verification for Parallel Reasoners [69.66089681814013]
  $V_$は、効率的なペアワイドランキングを通じて生成と検証を統合するフレームワークである。 V_$-Inferはポイントワイド検証でPass@1を最大10%改善する。 V_$-PairRLは、標準のRLとポイントワイドのジョイントトレーニングよりも、テストタイムのスケーリングが7ドル--9%で向上する。
  論文  参考訳（メタデータ） (2026-03-04T17:22:16Z)
• MR$^2$-Bench: Going Beyond Matching to Reasoning in Multimodal Retrieval [86.35779264575154]
  マルチモーダル検索は、現代のAIアプリケーションにおいて重要なコンポーネントになりつつあるが、その評価は、より現実的で困難なシナリオの要求に遅れている。 マルチモーダル検索のための推論集約型ベンチマークであるMR$2$-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T15:09:14Z)

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。