論文の概要: IRAH: Hierarchical Agentic Tree Search for Retrieval Pipeline Optimization
- arxiv url: http://arxiv.org/abs/2610.30167v1
- Date: Fri, 16 Oct 2026 17:03:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.073293
- Title: IRAH: Hierarchical Agentic Tree Search for Retrieval Pipeline Optimization
- Title（参考訳）: IRAH:検索パイプライン最適化のための階層型エージェントツリー探索
- Abstract要約: 本稿では,Language Agent Tree Search for IR(LATS-IR)とオフラインメタ学習初期化を組み合わせたIRAH(Information Retrieval Agentic Harness)を提案する。
分布シフト下での一般化を評価するために, IRAHを3つの分布内ベンチマークと1つの分布外ベンチマークで評価した。
IRAH は NDCG@10 (0.4816) で最高値に達し、コールドスタートよりも改善されている。
- 参考スコア（独自算出の注目度）: 1.3048920509133808
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimizing Information Retrieval (IR) pipelines for Retrieval-Augmented Generation (RAG) requires jointly selecting structural components and numerical hyperparameters under limited evaluation budgets. We introduce the Information Retrieval Agentic Harness (IRAH), which combines Language Agent Tree Search for IR (LATS-IR) with offline meta-learned initialization. LATS-IR performs UCT-guided hierarchical search, first exploring macro-structural pipeline choices and then refining numerical parameters, with natural-language reflections to guide subsequent mutations and provide inspectable search traces. We evaluate IRAH on three in-distribution benchmarks and one out of-distribution benchmark to assess generalization under distribution shift. Under the same meta-learned initialization, LATS-IR outperforms TPE on two of three in-distribution benchmarks, with gains of up to 6.4%, and remains competitive on the out-of-distribution benchmark. Across all four benchmarks, warm-started IRAH achieves the highest average held-out nDCG@10 (0.4816) and improves over its cold-start counterpart. These results establish IRAH as a competitive approach to retrieval pipeline optimization under constrained evaluation budgets.
- Abstract（参考訳）: Retrieval-Augmented Generation (RAG)のためのIRパイプラインの最適化には、限られた評価予算の下で構造成分と数値ハイパーパラメータを共同で選択する必要がある。
本稿では,Language Agent Tree Search for IR(LATS-IR)とオフラインメタ学習初期化を組み合わせたIRAH(Information Retrieval Agentic Harness)を提案する。
LATS-IRはUCT誘導の階層探索を行い、まずはマクロ構造パイプラインの選択を探索し、次いで数値パラメータを精製し、自然言語のリフレクションを用いてその後の突然変異を誘導し、検査可能な探索トレースを提供する。
分布シフト下での一般化を評価するために, IRAHを3つの分布内ベンチマークと1つの分布外ベンチマークで評価した。
同じメタ学習の初期化の下で、LATS-IRは3つの非配布ベンチマークのうち2つでTPEを上回り、最大6.4%のゲインを獲得し、アウト・オブ・ディストリビューションベンチマークでは競争力を維持している。
4つのベンチマークで、IRAHは最高値のnDCG@10(0.4816)を達成し、コールドスタートよりも改善している。
これらの結果は,制約付き評価予算下での探索パイプライン最適化の競争的アプローチとしてIRAHを確立した。
関連論文リスト
- PRIME: Pre-Retrieval Index Modeling Enhancement for Structured Document Retrieval-Real [6.272878315342466]
事前検索インデックスモデリングと拡張は、既存の情報検索研究に基づいている。
セマンティック再構成トラックは、長い文書を構造化された情報密度セクションに変換する。
決定論的メタデータ合成トラックは、粗い部分検索のための意味的アンカーと方向構造を抽出する。
論文 参考訳（メタデータ） (2026-10-09T09:44:47Z) - A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。
A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
論文 参考訳（メタデータ） (2026-08-05T14:01:10Z) - Agent-UCT: Upper Confidence Bounds Applied to Trees for Agentic Workflow Optimization with Cost-Awareness [11.231092673447735]
本稿では,木に応用したエージェントベースのコスト・アウェア・アッパー・バウンドを提案する。これは,2部目のプレフィックス・リユース・グラフから得られた再利用・アウェア・レギュラー化項を用いて,UCTを拡張した木探索アルゴリズムである。
Agent-UCTは、以前実体化された設定プレフィックスを利用したブランチに対する選択をバイアスし、効果的な探索を維持しながら冗長な実行を減らす。
WTB(Workflow Test Bench)は、決定論的リプレイ、コンテンツ適応可能なキャッシング、トランザクション一貫性を提供し、中間状態が一度実体化され、検索計算全体で再利用されることを保証する。
論文 参考訳（メタデータ） (2026-07-27T08:41:18Z) - RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards [76.17893114021757]
長い形式のレポートを計画し、調査し、エビデンスを評価し、合成する深層研究システムには、根本的な答えがなく、多くのツール強化された決定にまたがる。
本研究では,ルーブリックは最終回答評価者だけでなく,ポリシーの実行,判断フィードバック,エージェントメモリを構成する共有インターフェースとして機能すべきである,と論じる。
我々は、段階的な政策分解とリフレクションに基づくメタ政治進化を組み合わせたルーリック誘導強化学習フレームワークEMを導入する。
論文 参考訳（メタデータ） (2026-05-11T17:40:38Z) - Rethinking Reasoning-Intensive Retrieval: Evaluating and Advancing Retrievers in Agentic Search Systems [55.04168927059962]
推論集約的な検索は、単にトピックの類似性に一致するのではなく、下流の推論を支持する証拠を明らかにすることを目的としている。
BRIGHT-Proは、専門家による注釈付きベンチマークで、各クエリを複数アスペクトのゴールドエビデンスで拡張する。
また,相補的な正と正条件の強陰性を生成するアスペクト分解型合成コーパスであるRTriever-Synthを構築した。
論文 参考訳（メタデータ） (2026-05-05T17:42:50Z) - Adaptive ToR: Complexity-Aware Tree-Based Retrieval for Pareto-Optimal Multi-Intent NLU [0.15293427903448018]
多言語自然言語理解には、高い精度と計算効率を同時に達成する検索システムが必要である。
本稿では,クエリ特性に基づいた検索トポロジを動的に構成する複雑性を考慮した検索アーキテクチャであるAdaptive Tree-of-Retrieval (Adaptive ToR)を提案する。
論文 参考訳（メタデータ） (2026-04-27T09:24:10Z) - Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs [55.78708003681562]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、生成時に外部知識を取り入れることで緩和する。
既存のRAGアプローチは通常、コンテキストとしてテキストフラグメントを検索し、非構造化する。
本稿では,三重項に基づく検索フレームワークTri-RAGを提案する。
論文 参考訳（メタデータ） (2026-04-14T11:36:29Z) - IRPO: Scaling the Bradley-Terry Model via Reinforcement Learning [11.499402258204375]
Intergroup Relative Preference Optimization (IRPO)は、確立されたBradley-TerryモデルをGRPOに組み込んだ新しいRLフレームワークである。
各応答に対してポイントワイズスコアを生成することにより、IRPOはRLトレーニング中に任意に多くの候補を効率的に評価することができる。
実験の結果,IRPOはポイントワイドGRM間のSOTA(State-of-the-art)性能を達成できた。
論文 参考訳（メタデータ） (2026-01-02T12:57:06Z) - Structured Prompting Enables More Robust Evaluation of Language Models [38.53918044830268]
DSPy+HELMフレームワークを提案する。
構造化されたプロンプトがなければ、HELMはLM性能(平均4%)を過小評価し、性能評価はベンチマークによって異なることがわかった。
これは、構造化されたプロンプトを確立された評価フレームワークに体系的に統合する最初のベンチマーク研究である。
論文 参考訳（メタデータ） (2025-11-25T20:37:59Z)
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。