論文の概要: Retrieval Augmented Generation Compositionality

• arxiv url: http://arxiv.org/abs/2610.29722v1
• Date: Wed, 21 Oct 2026 13:30:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.371321
• Title: Retrieval Augmented Generation Compositionality
• Title（参考訳）: 検索型Augmented Generationの合成性
• Abstract要約: 現代のパイプラインは、埋め込み、チャンキング、検索、リグレード、クエリ拡張、コンテキスト圧縮、エージェント検証を組み合わせている。 本稿では、RAG評価を制御するオープンソースフレームワークLASAGNAを紹介する。 8つのベンチマークと5Kから200Kドキュメントのコーパスで450のコンフィギュレーションをテストしています。
• 参考スコア（独自算出の注目度）: 18.124841522289376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval Augmented Generation (RAG) grounds large language models in external knowledge. Modern pipelines combine embedding, chunking, retrieval, reranking, query augmentation, context compression, and agentic verification, yet these techniques are typically evaluated one at a time. It remains unclear whether their isolated gains survive composition, whether retrieval quality and answer faithfulness favor the same design choices, and whether conclusions from small corpora hold at large scale. We pre-declare three hypotheses and introduce LASAGNA, an open-source framework for controlled RAG evaluation. We test 450 configurations across eight benchmarks and corpora ranging from 5K to 200K documents. Three findings emerge. First, individually strong techniques from different phases of a RAG pipeline do not necessarily compose: three retrieval techniques predict a +47% combined improvement but deliver only +17% when used together. Second, component gains stack differently for retrieval and faithfulness, and optimizing one can hurt the other. Third, the best composition changes as the corpus grows: the combination that wins on a small corpus may not remain best at large scale. These findings show that gains measured in isolation are not reliable predictors of realistic performance, and that new RAG techniques should be tested with the full surrounding stack. We call on researchers to do so and supply LASAGNA to simplify these experiments.
• Abstract（参考訳）: Retrieval Augmented Generation (RAG) は、大規模な言語モデルを外部知識に基礎を置いている。 現代のパイプラインは、埋め込み、チャンキング、検索、リグレード、クエリ拡張、コンテキスト圧縮、エージェント検証を組み合わせているが、これらのテクニックは典型的には一度に1つ評価される。 分離されたゲインが構成に残るか、検索品質と回答忠実度が同じ設計選択を好むか、そして小さなコーパスからの結論が大規模に成立するかは、まだ不明である。 我々は3つの仮説を事前に宣言し、RAG評価を制御するオープンソースのフレームワークであるLASAGNAを紹介する。 8つのベンチマークと5Kから200Kドキュメントのコーパスで450のコンフィギュレーションをテストしています。 3つの発見がある。 まず、RAGパイプラインの異なるフェーズからの個々の強いテクニックは必ずしも構成されない: 3つの検索手法は、a+47%の複合的な改善を予測するが、同時に使用すると+17%しか得られない。 第二に、コンポーネントは検索と忠実性のために異なるスタックを獲得し、一方を最適化することはもう一方を傷つける可能性がある。 第三に、コーパスが成長するにつれて、最高の組成が変化し、小さなコーパスで勝つ組み合わせは、大規模には最善を保たない可能性がある。 これらの結果から,単独で測定した利得は現実的性能の信頼性の高い予測因子ではなく,新しいRAG手法を全周スタックでテストすべきであることが示唆された。 これらの実験を簡略化するために、研究者にLASAGNAの供給を要請します。

関連論文リスト

• SPLATIFY: Reproduce, Discover, Innovate! From Papers and Ideas to Trainable 3DGS Code [49.653632753325354]
  本稿では、3DGS論文をトレーニング可能なgsplatベースの実装に変換するフレームワークであるSPLATIFYを紹介する。 gsplatのコンテキストフリー文法は、損失、密度、レンダリング、最適化のための拡張ポイントを持つモジュラーメソッドテンプレートである。 知識駆動型構成改善は、弱点を自律的に発見し、元の結果を改善するための補完的な正規化要因、損失、密度化戦略を構成する。
  論文  参考訳（メタデータ） (2026-10-06T21:06:33Z)
• Re-ranking and Late Interaction Drive Retrieval Quality: A Controlled Comparison of RAG Strategies for Scientific Question Answering [0.0]
  科学的質問応答のための6つの検索方法の比較を行った。 全てのパイプラインは同じジェネレータ(Meta-Llama/Llama-3.1-8B-Instruct)、プロンプト、評価プロトコルを共有している。 LLM-as-a-judgeプロトコルを複数の品質次元に沿って,ゴールドペーパーの直接検索指標とともに評価する。
  論文  参考訳（メタデータ） (2026-09-29T20:04:29Z)
• SciRet: A Compute-Aware Empirical Study of Retrieval and Reranking for Scientific RAG [0.0]
  我々は,CORD-19上での科学的質問応答に対する検索強化生成をコンピュータに認識した実証研究であるSciRetを紹介した。 我々は, 1,034チャンク (1K論文), 5,160チャンク (5K論文), 15,480チャンク (15K論文) の3つのコーパススケールにわたる固定科学的RAGパイプラインの評価を行った。 これらの設定全体では、ハイブリッド検索はスパースオンリーまたは密度オンリーの検索よりも堅牢で、1Kおよび15Kで1.000のRecall@10に達する。
  論文  参考訳（メタデータ） (2026-08-04T16:04:07Z)
• Rethinking Multi-Branch and Cross-Backbone Fusion for Vehicle Re-Identification in the Foundation-Model Era [22.36803510099264]
  マルチブランチアーキテクチャとCNNトランスフォーマー融合は、車種再識別(Re-ID)を改善する効果的な方法として長年検討されてきた。 調整されたレシピで訓練された単一のDINOv3-pretrained ConvNeXtは、VeRi-Wild Smallで88.19 mAP、VeRi-Wild Largeで77.47 mAPを達成する。 さらに、非対称凍結アンカー戦略を用いて、ConvNeXtとVision Transformer表現を組み合わせたクロスバックボーン融合について検討する。
  論文  参考訳（メタデータ） (2026-07-24T08:10:53Z)
• Metadata, Structure, or Strategy? A Decomposition of RAG Context Enrichment [3.2058241360543254]
  検索可能な生成システムは、品質メタデータを付加し、明示的なレコードに構造化し、ステップ間で証拠を蓄積するマルチホップ検索戦略を採用することで、検索されたパスを豊かにする傾向にある。 これらの変更は、よりリッチなコンテキストがより良い回答をもたらすと仮定するが、既存の評価では、これらを一度に3つの要因すべてを変えるため、テストすることはできない。 我々は,6つのベンチマーク,3つのファミリーの4つのモデル,5つのエンリッチメントレベルのコントロール実験において,各因子を分離し,合計24,000以上の回答を得た。 回答の品質を決定するのは、コンテキストがどれだけメタデータを持ち込むかではなく、与えられたタスクに対してモデルがそれを実行できるかどうかです。
  論文  参考訳（メタデータ） (2026-06-28T23:26:28Z)
• Combining Trained Models in Reinforcement Learning [0.0]
  深層強化学習(DRL)は、AtariやGoといったドメインで大きな成果を上げているが、それでも高いサンプルコストとトレーニング環境を超えて、弱い移行に悩まされている。 一般的な反応は、転送、蒸留、アンサンブル法、フェデレーショントレーニングを通じて、以前に訓練されたモデルの情報を再利用することである。 本稿では、DRLにおける事前学習知識の再利用に関する実証的研究について、PRISMA指導による体系的レビューを行う。
  論文  参考訳（メタデータ） (2026-05-04T02:37:55Z)
• GIANTS: Generative Insight Anticipation from Scientific Literature [84.95947892931142]
  本稿では、下流紙のコアインサイトを基礎となる親論文から予測する世代課題であるインサイト予測を導入する。 実測値と実測値の類似性を評価するLM判定器を用いてモデル評価を行い,これらの類似性スコアが有能な人間の評価値と相関していることを示す。 GIANTS-4Bは、強化学習(RL)を用いて訓練されたLMで、これらの類似度スコアをプロキシ報酬として用いた洞察予測を最適化する。
  論文  参考訳（メタデータ） (2026-04-10T18:13:55Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Speculative RAG: Enhancing Retrieval Augmented Generation through Drafting [68.90949377014742]
  Speculative RAG(投機的RAG)は、より大規模なジェネラリストLMを利用して、より小さな蒸留専門のLMによって並列に生成された複数のRAGドラフトを効率よく検証するフレームワークである。 提案手法は,より小さな専門家のLMにドラフト作成を委譲することでRAGを加速し,より大きなジェネラリストのLMがドラフトに1回の検証パスを実行する。 PubHealthの従来のRAGシステムと比較して、レイテンシを50.83%削減しながら、最大12.97%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-07-11T06:50:19Z)
• xRAG: Extreme Context Compression for Retrieval-augmented Generation with One Token [108.7069350303884]
  xRAGは、検索拡張生成に適した、革新的なコンテキスト圧縮手法である。 xRAGは、言語モデル表現空間に文書の埋め込みをシームレスに統合する。 実験の結果、xRAGは6つの知識集約タスクで平均10%以上の改善を達成していることがわかった。
  論文  参考訳（メタデータ） (2024-05-22T16:15:17Z)

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。