論文の概要: RAGCompass: Generalizable Retriever Routing via Reranking

• arxiv url: http://arxiv.org/abs/2611.05596v1
• Date: Tue, 03 Nov 2026 20:36:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.84406
• Title: RAGCompass: Generalizable Retriever Routing via Reranking
• Title（参考訳）: RAGCompass:リグレードによる一般的なリトライバールーティング
• Abstract要約: キーとなる疑問は: クエリと異なるレトリバーからの検索されたパスを与えられた場合、そのクエリに最も適しているのがどれですか? 既存のルータは通常、クエリ固有の機能と、リトリバーの固定プールから予測を行う。 RAGは未確認のコーパス、レトリバー、リーダーで利益の大部分を保持し、クエリのみのベースラインは最適な固定リトリバーかそれ以下に落ちます。
• 参考スコア（独自算出の注目度）: 22.958214194092886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Different retrievers exist for retrieval-augmented generation, yet none performs best for all queries. Therefore, the key question is: given a query and retrieved passages from different retrievers, which one is most suited for that query? Existing routers usually make predictions from query-specific features and a fixed pool of retrievers; such routers have no output for an unseen retriever and are incapable by design on a new corpus. To fill these gaps, RAGCompass reads the retrieved passage sets themselves: passages from an unfamiliar retriever or corpus stay directly comparable to other passages, so routing stays well designed where a query-only map would fail. We contrastively fine-tune a reranker against the answer each evidence set produces, which accounts for most of the gain; a small comparison head adds a moderate improvement, and neither component has retriever-specific parameters. RAGCompass improves answer F1 by 28% relative to the best fixed retriever, and outperforms fusion baselines, three query-only routers, and a prompted 8B language model. Generalization experiments show that RAGCompass keeps most of its gain under an unseen corpus, retriever, or reader, while query-only baselines fall to the best fixed retriever or below.
• Abstract（参考訳）: 検索拡張生成には異なるレトリバーが存在するが、すべてのクエリに対して最善を尽くすものは存在しない。 キーとなる質問は次のとおりである。 異なるレトリバーからクエリと検索されたパスが与えられた場合、そのクエリに最も適しているのがどれか? 既存のルータは通常、クエリ固有の機能やリトリーバーの固定プールから予測を行うが、そのようなルータは目に見えないリトリーバーの出力を持たず、新しいコーパスの設計では不可能である。 これらのギャップを埋めるために、RAGCompassは検索済みのパスセット自体を読み取る: 馴染みのないレトリバーやコーパスからのパスは他のパスと直接比較できるため、ルーティングはクエリのみのマップが失敗する場所でうまく設計されている。 対照的に、各エビデンスセットが生成する答えに対して、リランカーを微調整し、ほとんどの利得を考慮し、小さな比較ヘッドは適度な改善を加え、どちらのコンポーネントもレトリバー固有のパラメータを持っていない。 RAGCompassは、最高の固定レトリバーと比較して、回答F1を28%改善し、融合ベースライン、3つのクエリ専用ルータ、8B言語モデルを上回っている。 一般化実験では、RAGCompassはその利益のほとんどを、目に見えないコーパス、レトリバー、あるいはリーダーの下で維持するが、クエリのみのベースラインは、最高の固定リトリバーかそれ以下に該当する。

関連論文リスト

• Route Me If You Can: A Benchmark for Query Reformulation Selection [21.59901422714961]
  クエリ、ドメイン、レトリバー、モデルバックボーンに対して、単一の再構成戦略は一貫して最適ではありません。 既存の研究では、異なるリキュレータープール、レトリバー、関連信号、トレーニングラベル、評価指標を使用するため、比較が難しい。 この決定を再現的に研究するために必要な高価なアーティファクトを凍結するベンチマークであるQueryRouteを紹介します。
  論文  参考訳（メタデータ） (2026-09-14T01:06:41Z)
• 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)
• RVR: Retrieve-Verify-Retrieve for Comprehensive Question Answering [32.83942046822049]
  retrieve-verify-retrieve (RVR)は、回答カバレッジを最大化するために設計されたマルチラウンド検索フレームワークである。 本研究は,検証手法を応用し,新たな推論シナリオに適応する,包括的回答リコールのための,有望な反復的アプローチを提案する。
  論文  参考訳（メタデータ） (2026-02-20T18:48:05Z)
• Agentic-R: Learning to Retrieve for Agentic Search [82.43426728778418]
  エージェント検索に適した新しい検索学習フレームワークを提案する。 単一ターン検索拡張生成(RAG)用に設計された検索器とは違って,局所的なクエリ・パスの関連性とグローバルな回答の正当性を両立することを提案する。 我々のレトリバーは、我々のものとよばれ、異なる検索エージェント間で強いベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-17T02:59:54Z)
• LTRR: Learning To Rank Retrievers for LLMs [53.285436927963865]
  ルーティングベースのRAGシステムは、単一リトリバーベースのシステムよりも優れていることを示す。 パフォーマンス向上は、特にAnswer Correctness(AC)メトリックでトレーニングされたモデルで顕著である。 SIGIR 2025 LiveRAG チャレンジの一環として,提案システムを用いて提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-06-16T17:53:18Z)
• Ask Optimal Questions: Aligning Large Language Models with Retriever's Preference in Conversation [23.74712435991676]
  RetPOは、ターゲット検索システムの好みに合わせて検索クエリを再構成する言語モデルを最適化するように設計されている。 我々は、12Kの会話で410K以上のクエリを書き換えるRetrievers' Feedbackと呼ばれる大規模なデータセットを構築した。 その結果,2つのベンチマークにおいて,従来のリライト・ザ・リトリーブ・アプローチの最先端性能を上回る優位性を示した。
  論文  参考訳（メタデータ） (2024-02-19T04:41:31Z)
• Decomposing Complex Queries for Tip-of-the-tongue Retrieval [72.07449449115167]
  複雑なクエリは、コンテンツ要素(例えば、書籍の文字やイベント)、ドキュメントテキスト以外の情報を記述する。 この検索設定は舌の先端 (TOT) と呼ばれ、クエリと文書テキスト間の語彙的および意味的重複に依存するモデルでは特に困難である。 クエリを個別のヒントに分解し、サブクエリとしてルーティングし、特定の検索者にルーティングし、結果をアンサンブルすることで、このような複雑なクエリを扱うための、シンプルで効果的なフレームワークを導入します。
  論文  参考訳（メタデータ） (2023-05-24T11:43:40Z)
• ReFIT: Relevance Feedback from a Reranker during Inference [109.33278799999582]
  Retrieve-and-Rerankは、ニューラル情報検索の一般的なフレームワークである。 本稿では,リランカを利用してリコールを改善する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-19T15:30:33Z)

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。