論文の概要: Decompose, Estimate, Select: Coverage-Aware Context Construction for Long-Form RAG
- arxiv url: http://arxiv.org/abs/2610.40314v1
- Date: Thu, 29 Oct 2026 15:51:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 07:40:52.406948
- Title: Decompose, Estimate, Select: Coverage-Aware Context Construction for Long-Form RAG
- Title（参考訳）: 分割, 推定, 選択: 長期RAGのための包括的コンテキスト構築
- Abstract要約: 本稿では,クエリをサブクエストに分解するカバレッジ対応検索パイプラインを提案する。
TREC RAG 2024では、新たにカバーされたナゲットに報酬を与え、冗長な証拠を割引する$-nDCG@10を改良しています。
その結果,検索範囲が大幅に増加しても,検索範囲が限られているにもかかわらず,その答えは推定した選択値に比較して,より厳密なカバレッジが得られないことが判明した。
- 参考スコア（独自算出の注目度）: 2.875164445848228
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retrieval-augmented generation (RAG) grounds a language model's output in retrieved evidence, but for complex questions spanning multiple aspects of an information need, relevance-based retrieval may return redundant evidence while leaving some aspects unsupported. We propose a coverage-aware retrieval pipeline that decomposes queries into subquestions, ranks candidates with a coverage-trained bi-encoder, predicts a document\,$\times$\,subquestion coverage matrix with a cross-encoder, and selects documents by greedy maximum-marginal coverage. On TREC RAG 2024, our approach improves $α$-nDCG@10, which rewards newly covered nuggets and discounts redundant evidence, from $0.625$ to $0.702$, approaching the $0.718$ gold-nugget upper bound without sacrificing relevance. We then find that ground-truth oracle retrieval, despite substantially higher retrieval coverage, delivers no more nugget coverage to the answer than our estimated selection. This suggests that answer completeness depends not only on what evidence is retrieved, but also on how effectively the generator uses it. To address this, we introduce a \emph{grounded self-feedback loop} in which the model identifies underused evidence from its first answer and generates again without gold supervision, raising $V_{\mathrm{strict}}$, the fraction of vital reference nuggets fully supported by the answer, by $0.086$ over two passes while largely preserving faithfulness.
- Abstract（参考訳）: Retrieval-augmented Generation (RAG) は言語モデルの出力を検索された証拠に根拠付けるが、情報要求の複数の側面にまたがる複雑な問題に対して、関連性に基づく検索は冗長な証拠を返却し、いくつかの側面はサポートされていない。
本稿では,クエリをサブクエストに分解し,候補をカバレッジトレーニングしたバイエンコーダでランク付けし,クロスエンコーダで文書の予測を行う。
TREC RAG 2024では、新たにカバーされたナゲットを報奨し、冗長な証拠を0.625$から0.702$に割引する$α$-nDCG@10を改良し、0.718$ゴールドナゲットの上限に近づく。
その結果,検索範囲が大幅に増加しても,検索範囲が限られているにもかかわらず,その答えは推定した選択値に比較して,より厳密なカバレッジが得られないことが判明した。
これは、答えの完全性は、どの証拠が回収されたかだけでなく、ジェネレータがいかに効果的にそれを利用するかにも依存することを示している。
これを解決するために、モデルが最初の回答から未使用の証拠を識別し、金の監督なしに再び生成する「emph{grounded self-feedback loop」を導入し、その答えによって完全に支えられる重要な参照ナゲットの分数である$V_{\mathrm{strict}}$を、主に忠実さを保ちながら0.086$で引き出す。
関連論文リスト
- VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。
100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。
強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
論文 参考訳（メタデータ） (2026-08-18T15:23:06Z) - Difficulty-Gated Fusion of Reasoning Views for Temporal Retrieval [22.82938587928396]
推論集約的な時間的検索は、共有時間的推論に依存している文書とクエリをマッチングする必要がある。
そこで本研究では,問合せに難渋した推論ビューの融合を提案する。
論文 参考訳（メタデータ） (2026-08-09T22:31:49Z) - Does More Retrieved Evidence Help Visual Retrieval-Augmented Generation with Diffusion Language Models? [22.988311596447435]
ビジュアル検索強化生成(RAG)は、通常、検索されたエビデンスを拡張して、回答ページのカバレッジを改善する。
この仮定は拡散言語モデル(DLM)に当てはまらないことを示す。
トレーニング不要なエビデンス・アドミッションフレームワークであるEntropy-Based Candidate Filter (ECF)を提案する。
論文 参考訳（メタデータ） (2026-08-07T09:20:40Z) - 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) - 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) - PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering [57.89576196160413]
大規模言語モデル (LLM) はマルチホップ質問応答 (MHQA) において脆弱のままである。
textbfPlanned Active Retrieval and Reasoning RAG (PAR$2-RAG)を提案する。
論文 参考訳（メタデータ） (2026-03-30T23:52:54Z) - Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。
我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。
本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
論文 参考訳（メタデータ） (2026-03-09T18:20:20Z) - Decomposing and Revising What Language Models Generate [29.67882325906939]
我々は、属性QAのためのFIDESと呼ばれる新しい事実分解ベースのフレームワークを提案する。
Fidesは文脈的に強化された2段階の忠実分解法を使用して、長い形式の回答をサブファクトに分解する。
検索された証拠スニペットが関連するサブファクトと矛盾した場合、そのようなサブファクトはそれに従って修正される。
Fides は GPT-3.5-turbo, Gemini, Llama 70B シリーズで SOTA の手法を平均14%以上上回っている。
論文 参考訳（メタデータ） (2025-08-31T09:26:25Z) - Question Decomposition for Retrieval-Augmented Generation [2.6409776648054764]
本稿では疑問分解をサブクエストに組み込んだRAGパイプラインを提案する。
補間的な文書を効果的に組み立てる一方で、再ランク付けによってノイズが減少することを示す。
再ランク自体は標準的なものであるが、LLMによる質問分解と既製のクロスエンコーダのペアリングは、マルチホップ質問の検索ギャップを橋渡しすることを示す。
論文 参考訳（メタデータ） (2025-07-01T01:01:54Z)
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。