論文の概要: TRIO: Task Refinement with Individual Optimization for Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2611.02810v1
• Date: Mon, 02 Nov 2026 09:17:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.586284
• Title: TRIO: Task Refinement with Individual Optimization for Retrieval-Augmented Generation
• Title（参考訳）: TRIO:Retrieval-Augmented Generationのための個別最適化によるタスクリファインメント
• Abstract要約: 本稿では,RAGのためのタスクリファインメントと個別最適化(TRIO)という新しいアプローチを提案する。 TRIOの中核となる考え方は、3つのよく設計されたエージェントに、それぞれの最適化目標を整合させることで、反復的な改善パラダイムを装備することである。 検索品質を向上させるために,拡張クエリを十分にあるいは十分アノテートするための全会一致投票を含め,その生成結果を根拠的真理として活用し,審査員を最適化する。
• 参考スコア（独自算出の注目度）: 33.6202461129674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies retrieval-augmented generation (RAG), which leverages external knowledge to improve the performance of language models. Despite the remarkable progress, current RAG approaches are still far from satisfactory due to inadequate retrieval and potential hallucinations. Towards this end, we propose a novel approach named Task Refinement with Individual Optimization (TRIO) for RAG. The core idea of our TRIO is to equip three well-designed agents with an iterative refinement paradigm by aligning their individual optimization objectives. Specifically, we first expand ambiguous queries with a query extension agent and quantify the reward based on the improved answer quality, which can be utilized to refine our agent for higher expansion efficiency. To enhance the retrieval quality, we include a unanimity voting to annotate the expanded query as insufficient or sufficient, and their generative outcomes are utilized as ground truth to optimize the judge agent. To further improve evidence utilization and answer accuracy, an answer agent is optimized with dynamic matching-based rewards with curriculum learning for final outputs. Extensive experiments across multiple benchmark datasets validate the effectiveness of the proposed TRIO in comparison with state-of-the-art approaches. Our code is available at https://github.com/yingtaoren/TRIO.
• Abstract（参考訳）: 本稿では,言語モデルの性能向上に外部知識を活用する検索強化生成(RAG)について検討する。 顕著な進歩にもかかわらず、現在のRAGアプローチは、不適切な検索と潜在的幻覚のため、まだ満足できない。 そこで本研究では,RAGのためのタスクリファインメント(Task Refinement with Individual Optimization, TRIO)という新しい手法を提案する。 TRIOの中核となる考え方は、3つのよく設計されたエージェントに、それぞれの最適化目標を整合させることで、反復的な改善パラダイムを装備することである。 具体的には、まず、クエリ拡張エージェントであいまいなクエリを拡張し、改善された回答品質に基づいて報酬を定量化し、エージェントを改良して拡張効率を高める。 検索品質を向上させるために,拡張クエリを十分にあるいは十分アノテートするための全会一致投票を含め,その生成結果を根拠的真理として活用し,審査員を最適化する。 さらにエビデンス利用と解答精度を向上させるため、解答エージェントに動的マッチングに基づく報奨と最終出力のカリキュラム学習を最適化する。 複数のベンチマークデータセットにわたる大規模な実験は、最先端のアプローチと比較して提案されたTRIOの有効性を検証する。 私たちのコードはhttps://github.com/yingtaoren/TRIO.comで公開されています。

関連論文リスト

• Beyond Fixed Depths and Widths: Optimizing Textual Decoding Tries in LLM-based Generative Recommendation [59.20704286413859]
  本稿では,テキスト用語IDとその基盤となるデコードトリエを共設計する新しいフレームワークを提案する。 BONSAIは最先端のベースラインよりも21.6%向上している。
  論文  参考訳（メタデータ） (2026-07-18T04:31:02Z)
• Distilling a Small Utility-Based Passage Selector to Enhance Retrieval-Augmented Generation [110.610512800947]
  Retrieval-augmented Generation (RAG)は、取得した情報を組み込むことで、大規模言語モデル(LLM)を強化する。 RAGでは、重要度は実用性に移行し、正確な回答を生成するためのパスの有用性を考慮している。 提案手法は、ランク付けよりもユーティリティベースの選択に重点を置いており、固定しきい値を必要とせずに、特定のクエリに合わせた動的通過選択を可能にする。 本実験は, 実用性に基づく選択により, RAGの柔軟性とコスト効率が向上し, 計算コストが大幅に低減され, 応答品質が向上することを示した。
  論文  参考訳（メタデータ） (2025-07-25T09:32:29Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• Self-Routing RAG: Binding Selective Retrieval with Knowledge Verbalization [95.85537087475882]
  既存のアプローチは、大規模言語モデル(LLM)の固有の知識を過小評価している。 本稿では,選択検索と知識の言語化を結びつける新しいフレームワークであるSelf-Routing RAGを提案する。 SR-RAGは検索回数を29%削減し、性能は5.1%向上した。
  論文  参考訳（メタデータ） (2025-04-01T17:59:30Z)
• RAG-Gym: Systematic Optimization of Language Agents for Retrieval-Augmented Generation [43.50113345998687]
  本稿では,(1)プロンプトエンジニアリング,(2)アクターチューニング,(3)批判的トレーニングという,3つの最適化次元を探求する総合的なプラットフォームであるRAG-Gymを紹介する。 本稿では,リフレクション推論を取り入れた新しいエージェントであるRe$2$Searchを提案する。 アクターチューニングにおいて,プロセスの監督をきめ細かい3つの人気のあるポストトレーニングアルゴリズムを評価し,直接選好最適化を最も効果的に評価する。
  論文  参考訳（メタデータ） (2025-02-19T18:56:03Z)
• Learning to Rank for Multiple Retrieval-Augmented Models through Iterative Utility Maximization [21.115495457454365]
  本稿では,複数検索拡張世代(RAG)エージェントを対象とした統合検索エンジンの設計について検討する。 本稿では,検索エンジンがRAGエージェントの検索結果を生成し,オフラインフェーズにおいて検索した文書の品質に関するフィードバックを収集する反復的手法を提案する。 我々は、これをオンライン環境に適応させ、リアルタイムなエージェントのフィードバックに基づいて、検索エンジンがその振る舞いを洗練できるようにする。
  論文  参考訳（メタデータ） (2024-10-13T17:53:50Z)

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。