論文の概要: SkillQR: Agentic Skill Discovery for Reason-Intensive Query Rewriting

• arxiv url: http://arxiv.org/abs/2610.33768v1
• Date: Sat, 24 Oct 2026 16:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.440985
• Title: SkillQR: Agentic Skill Discovery for Reason-Intensive Query Rewriting
• Title（参考訳）: SkillQR: 推論集約型クエリ書き換えのためのエージェントスキルディスカバリ
• Abstract要約: 本稿では,検索対象から推論戦略セットを自動的に検出するクエリ書き換えフレームワークであるSkillQRを紹介する。 SkillQRはBRIGHTとR2MEDベンチマークの微調整された書き換えモデルと比較して、競争性能が向上する。
• 参考スコア（独自算出の注目度）: 23.045549789573574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dense retrievers provide grounded evidence that mitigates hallucinations in outputs from Large Language Models (LLMs). Real-world queries are often verbose, ambiguously framed, or require multi-step reasoning, introducing irrelevant details that weaken semantic matching for dense retrievers. Query rewriting is a widely adopted pre-retrieval technique that leverages LLMs to reformulate queries and bridge the semantic gap between such queries and the retrieval target. Existing rewriting approaches either rely on expensive proprietary models, substantial training data, or iterative retrieval and rewriting, while largely applying a uniform rewriting strategy regardless of the retrieval corpus. We observe that effective query rewriting instructions are not universal: the optimal strategy depends on the retrieval target, rather than the model alone. We introduce SkillQR, a query rewriting framework that automatically discovers reasoning strategy sets from the retrieval target and dynamically routes a query to the appropriate rewriting strategy at inference time. Without relying on training data, SkillQR achieves competitive performance compared to fine-tuned rewriting models on the BRIGHT and R2MED benchmarks, while also providing lower inference latency than iterative rewriting approaches.
• Abstract（参考訳）: デンスレトリバーは、Large Language Models (LLMs) の出力における幻覚を緩和する根拠となる証拠を提供する。 実世界のクエリは、しばしば冗長で、曖昧にフレーム化され、多段階の推論を必要とし、密集したレトリバーのセマンティックマッチングを弱める無関係な詳細を導入する。 クエリ書き換えは、LLMを利用してクエリを再構成し、クエリと検索ターゲットの間のセマンティックギャップをブリッジする、広く採用されている検索前手法である。 既存の書き換えアプローチは、高価なプロプライエタリなモデル、実質的なトレーニングデータ、反復的な検索と書き換えを頼りにしつつ、検索コーパスに関係なく統一的な書き換え戦略を適用している。 我々は,効率的なクエリ書き換え命令が普遍的ではないことを観察する。最適戦略は,モデルのみではなく,検索対象に依存する。 本稿では,検索対象から推論戦略を自動的に検出し,推論時に適切な書き換え戦略に動的にルーティングするクエリ書き換えフレームワークであるSkillQRを紹介する。 トレーニングデータに頼ることなく、SkillQRはBRIGHTとR2MEDベンチマークの微調整された書き換えモデルと比較して、競合的なパフォーマンスを達成すると同時に、反復的な書き換えアプローチよりも低い推論レイテンシを提供する。

関連論文リスト

• Learning Multi-Step Query Rewriting via Corpus Feedback for Conversational Search [9.59498122963732]
  Conversational Query Rewriting (CQR) はコンテキスト依存のユーザをリトリバー用のスタンドアロンクエリに変換する。 我々は、CQRをシーケンシャルな検索問題としてリキャストし、エージェントが現在のターンを書き換え、検索し、返却されたパスに対して次のリライトを行う。 教師付き微調整でポリシーを訓練し、人間による書き直しアノテーションを使わずに、単一の検索品質の報酬に対して強化学習を行った。
  論文  参考訳（メタデータ） (2026-10-07T22:14:05Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• MaFeRw: Query Rewriting with Multi-Aspect Feedbacks for Retrieval-Augmented Large Language Models [22.50450558103786]
  現実世界のRAGシステムでは、現在のクエリは会話コンテキストからの音声楕円とあいまいな参照を含むことが多い。 本稿では,検索プロセスと生成結果の両方からマルチアスペクトフィードバックを統合することにより,RAG性能を向上させる新しいクエリ書き換え手法MaFeRwを提案する。 2つの対話型RAGデータセットの実験結果から、MaFeRwはベースラインよりも優れた生成指標と安定したトレーニングを達成できることが示された。
  論文  参考訳（メタデータ） (2024-08-30T07:57:30Z)
• Adaptive Query Rewriting: Aligning Rewriters through Marginal Probability of Conversational Answers [66.55612528039894]
  AdaQRは、シードデータセットからの限定的な書き直しアノテーションと完全にパスラベルのないクエリ書き換えモデルをトレーニングするフレームワークである。 会話クエリに条件付き回答の確率を用いて,これらの候補に対する検索者の嗜好を評価する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-16T16:09:05Z)
• RaFe: Ranking Feedback Improves Query Rewriting for RAG [83.24385658573198]
  アノテーションを使わずにクエリ書き換えモデルをトレーニングするためのフレームワークを提案する。 公開されているリランカを活用することで、フィードバックはリライトの目的とよく一致します。
  論文  参考訳（メタデータ） (2024-05-23T11:00:19Z)
• Enhancing Conversational Search: Large Language Model-Aided Informative Query Rewriting [42.35788605017555]
  本稿では,大規模言語モデル(LLM)をクエリリフレクタとして利用することを提案する。 精巧な書き直しのための4つの重要な特性を定義し、それら全てをインストラクションに組み込む。 初期クエリの書き直しが可能な場合, LLM の書き直しエディタの役割を導入し, "書き直し-テーマ-編集" プロセスを作成する。
  論文  参考訳（メタデータ） (2023-10-15T03:04:17Z)
• Query Rewriting for Retrieval-Augmented Large Language Models [139.242907155883]
  大規模言語モデル(LLM)は、検索対象のパイプラインで強力なブラックボックスリーダーを動作させる。 この作業では、検索拡張LDMに対する以前の検索テーマ読み込みの代わりに、新しいフレームワークであるRewrite-Retrieve-Readを導入する。
  論文  参考訳（メタデータ） (2023-05-23T17:27:50Z)

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。