論文の概要: Retriever-Free Retrieval: Navigating Documents with Decision Models
- arxiv url: http://arxiv.org/abs/2610.35868v1
- Date: Mon, 26 Oct 2026 17:59:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:14.142166
- Title: Retriever-Free Retrieval: Navigating Documents with Decision Models
- Title（参考訳）: Retriever-Free Retrieval: 決定モデルによるドキュメントのナビゲーション
- Abstract要約: 本稿では,事前学習した言語モデルが候補分岐を協調的に評価する決定モデルを用いて検索できる決定RAGを提案する。
図書館を閲覧する人のように、DecisionRAGはコーパスの固有の構造を広い話題から個々の通路までナビゲートし、どのブランチを探索する価値があるかを決定する。
DecisionRAGは、MultiDoc2Dialで13.8R@1、Natural Questionsで17.4Hit@1で8Bリランカーで密度の高い検索を上回ります。
- 参考スコア（独自算出の注目度）: 18.60111894219303
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While language models have become dramatically more capable, retrieval still largely relies on lexical matching or similarity in fixed embedding spaces. This creates a capability asymmetry: what the retriever fails to find, even the strongest generator cannot recover. We propose DecisionRAG, which brings the capabilities of pretrained language models to retrieval using decision models that jointly evaluate candidate branches in a single forward pass, without generating any tokens, and show that judging candidates in a shared context makes their relevance estimates comparable. Like a person browsing a library, DecisionRAG navigates the corpus's inherent structure from broad topics down to individual passages, deciding at each level which branches are worth exploring. Without task-specific training or a first-stage retriever, DecisionRAG outperforms dense retrieval with an 8B reranker by 13.8 R@1 points on MultiDoc2Dial and 17.4 Hit@1 points on Natural Questions. Across four benchmarks, including a corpus of 2.68 million Wikipedia paragraphs, retrieval takes just 0.7-1.8 seconds per query.
- Abstract（参考訳）: 言語モデルは劇的に能力を高めてきたが、検索はいまだに固定された埋め込み空間における語彙マッチングや類似性に大きく依存している。
これにより、レトリバーが見つけられなかったもの、最強のジェネレータでさえ回復できない機能非対称性が生成される。
提案する決定RAGは,任意のトークンを生成することなく,単一の前方通過における候補分岐を共同評価する決定モデルを用いて,事前学習された言語モデルの検索機能を実現する。
図書館を閲覧する人のように、DecisionRAGはコーパスの固有の構造を広い話題から個々の通路までナビゲートし、どのブランチを探索する価値があるかを決定する。
DecisionRAGはタスク固有のトレーニングや第1段階のリトリーバーがなければ、MultiDoc2Dialでは13.8R@1、Natural Questionsでは17.4Hit@1、8Bリランカーでは8Bリランカーで高精細検索を行う。
ウィキペディアの268万節のコーパスを含む4つのベンチマークで、検索はクエリ毎にわずか0.7-1.8秒である。
関連論文リスト
- Cascaded Retrieval with Cross-Modal Query Refinement for Efficient Visual Document Search [54.48124421246385]
現在の視覚言語レトリバーは、コーパスサイズとともに成長し、スケールすることができないクエリ時間コストを発生させる。
本稿では,検索性能を徹底検索から分離する2トラック検索フレームワークSCOUTを提案する。
SCOUTを4つの主要なベンチマークで評価し、最高のベースラインに対して80.7倍(平均28.8倍)のクエリ時間遅延改善を観測した。
論文 参考訳（メタデータ） (2026-10-14T15:40:27Z) - STORM: Stepwise Token Optimization with Reward-Guided Beam Search [26.876242989882787]
STORM(Stepwise Token Optimization with Reward-guided beaM search)は、語彙クエリ拡張のための自己教師型フレームワークである。
0.6B-8Bのバックボーンは競争力のあるLLMリライト機に匹敵するが、BM25と同じ速さで回収できる。
さらに、ゼロショットを18言語(MIRACL)に転送し、多言語密集レトリバーを平均で打ち負かす。
論文 参考訳（メタデータ） (2026-06-09T09:18:09Z) - QO-Bench: Diagnosing Query-Operator-Preserving Retrieval over Typed Event Tuples [3.4933579621415576]
本稿では,QO-Benchという,型付きイベントに対するクエリ操作型質問応答の診断ベンチマークを紹介する。
ベンチマークでは、22,984のニュース記事と18のクエリテンプレートにわたる614の企業イベントをカバーし、785の質問で評価されている。
論文 参考訳（メタデータ） (2026-06-03T09:14:43Z) - 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) - FREESON: Retriever-Free Retrieval-Augmented Reasoning via Corpus-Traversing MCTS [1.6340559025561785]
大規模推論モデル(LRM)は,多段階推論において,適切なステップで検索エンジンを呼び出す際,顕著な機能を示した。
FREESON(Retriever-FREE Retrieval-Augmented ReaSONing)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-22T09:00:08Z) - BRIGHT: A Realistic and Challenging Benchmark for Reasoning-Intensive Retrieval [54.54576644403115]
BRIGHTは、関係する文書を検索するために、集中的推論を必要とする最初のテキスト検索ベンチマークである。
私たちのデータセットは、経済学、心理学、数学、コーディングなど、さまざまな領域にまたがる1,384の現実世界のクエリで構成されています。
クエリに関する明示的な推論を取り入れることで、検索性能が最大12.2ポイント向上することを示す。
論文 参考訳（メタデータ） (2024-07-16T17:58:27Z) - Dense X Retrieval: What Retrieval Granularity Should We Use? [56.90827473115201]
しばしば見過ごされる設計選択は、コーパスが索引付けされる検索単位である。
本稿では,高密度検索のための新しい検索ユニット,命題を提案する。
実験により、提案のような細粒度単位によるコーパスのインデックス付けは、検索タスクにおける通過レベル単位を著しく上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2023-12-11T18:57:35Z)
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。