論文の概要: ZeroRAG: Adaptive Semantic Peer Routing for Decentralized Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2611.07928v1
• Date: Thu, 05 Nov 2026 12:33:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.681165
• Title: ZeroRAG: Adaptive Semantic Peer Routing for Decentralized Retrieval-Augmented Generation
• Title（参考訳）: ZeroRAG: 分散検索強化ジェネレーションのための適応的セマンティックピアルーティング
• Abstract要約: 本稿では,RAGにおける文書検索のための分散ルーティング層であるZeroRAGを提案する。 ZeroRAGは各クエリをベストファーストウォークで処理し、オーバーレイをセマンティックに関連付けられた隣人に向けて徐々にリワイヤする。 我々は、ZeroRAGがリコールや必要なネットワークメッセージのベースラインを上回っていることに気付いた。
• 参考スコア（独自算出の注目度）: 3.0111172730438565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) is a standard approach to enhance the reliability of large language model (LLM) outputs by retrieving documents relevant to a query and supplying them in the LLM prompt. Today's RAG systems collect, index, and serve these documents from centralized stores. In practice, however, documents are owned by organizations, devices, and individuals who cannot or will not surrender custody of them to a central party, e.g., because of privacy, copyright or regulatory compliance. Existing modern decentralized retrieval techniques either reintroduce a coordinating authority, or rely on a global data structure that requires continuous network-wide coordination (e.g., DHTs). We present ZeroRAG, a decentralized routing layer for document retrieval in RAG that performs semantic query routing across an overlay of peers with- out global data structures or centralized orchestration. Documents remain with the peers that own them, and each peer keeps only lightweight local state: a bounded set of neighbor advertisements and a cache of recently routed queries. Using these, ZeroRAG steers each query through a best-first walk that progressively rewires the overlay toward semantically relevant neighbors, so recall improves over time as the network self-organizes. We evaluate ZeroRAG using three real-world workloads and two decentralized baselines. We find that ZeroRAG outperforms baselines in terms of recall and required network messages, approaches the recall and LLM answer accuracy of a centralized document store, self-heals after catastrophic peer failures, and scales to 100 000 peers.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) は、大規模言語モデル(LLM)出力の信頼性を高めるための標準手法である。 今日のRAGシステムは、中央集権店からこれらの文書を収集し、インデックス化し、提供します。 しかし実際には、文書は組織、デバイス、個人によって所有され、例えば、プライバシー、著作権、または規制の遵守のために、その保護を中央の当事者に譲り渡せない、あるいは放棄しない。 既存の分散型検索技術は、コーディネート権限を再導入するか、連続的なネットワーク全体の調整を必要とするグローバルなデータ構造に依存している(DHTなど)。 我々はRAGにおける文書検索のための分散ルーティング層であるZeroRAGを紹介し、グローバルなデータ構造や集中的なオーケストレーションを備えたピアのオーバーレイを横断するセマンティッククエリルーティングを実行する。 ドキュメントはそれを所有するピアに残っており、各ピアは、隣接する広告のバウンドセットと最近ルーティングされたクエリのキャッシュという、軽量なローカル状態のみを保持する。 これらを使用して、ZeroRAGは各クエリを最優先のウォークで処理し、オーバレイを意味的に関連する隣人に向けて徐々にリワイヤするので、ネットワークが自己組織化するにつれてリコールは時間とともに改善される。 実世界の3つのワークロードと2つの分散ベースラインを用いてZeroRAGを評価した。 我々は、ZeroRAGが、リコールや必要なネットワークメッセージの観点からベースラインを上回り、集中型ドキュメントストアのリコールとLCM応答精度に近づき、破滅的なピア障害後の自己修復を行い、100000のピアにスケールすることを明らかにした。

関連論文リスト

• Librarian Agents: Training LLMs to Curate Long-Context Workspaces that Anticipate Future Queries [61.486885079210055]
  構築者エージェントが生文書を階層的な合成ファイルと参照リンクに変換するフレームワークであるLibrarian Agentsを導入し、下流の応答エージェントに適したワークスペースを形成する。 経験的に、ライブラリアンエージェントはBrowseComp-Plusで最強の検索と事前計算のベースラインを33ポイント上回り、繰り返しクエリで事前構築コストを償却し、31ポイント平均精度の改善でBRIGHT上の未確認領域にゼロショットを一般化する。
  論文  参考訳（メタデータ） (2026-10-15T17:35:17Z)
• Learning Multiresolution Relevance for Hierarchical Generative Retrieval [26.594708944920868]
  意味的識別子(SID)による生成的検索は、文書階層上で連続的な決定を行う。 RARSはクエリエンコーダをトレーニングし、関連するドキュメントで共有される粗い構造と、より細かい分岐割り当ての両方をキャプチャする。 RARSは、共通の検索ルールの下で、グループ化されたソフトターゲット、デコーダソフトターゲット、サンプルツリーの監視も上回っている。
  論文  参考訳（メタデータ） (2026-09-30T08:51:38Z)
• Beyond Raw Context Transfer: Representation-based Federated Retrieval-Augmented Generation [14.528636157772333]
  Retrieval-augmented Generation (RAG)は、大規模言語モデル(LLM)と視覚言語モデル(VLM)の現実性を改善する 既存のRAGフレームワークの多くは集中型検索コーパスを前提としており、医療などのセンシティブな領域では実用的ではないことが多い。 分散RAGに対する最近の取り組みは、主に生の、人間可読な検索コンテンツを交換するプロンプトベースのパラダイムに従っている。
  論文  参考訳（メタデータ） (2026-08-26T17:31:23Z)
• W-RAG: Source-Aware Retrieval for Enterprise Document Generation from Heterogeneous Knowledge Bases [9.232743201134792]
  既存のRAGパイプラインは、複数のリポジトリから取得したエビデンスを、単一の類似関数を使用してグローバルにランク付けできると仮定している。 W-RAGは,オントロジー誘導検索,各知識ベース内の局所的ランキング,エビデンス組成を規定するソースレベルの重み付けを行う。
  論文  参考訳（メタデータ） (2026-08-22T19:01:59Z)
• RH-RAG: Trustworthy Long-Form Generation for Privacy-Constrained Settings [0.0]
  RH-RAGは、ローカル言語モデルを用いた安全で信頼性の高いロングフォーム生成のためのフレームワークである。 生成を3つの調整段階に分解する: 意味的な要約から大域的なドキュメントの概要を構築するプランナーエージェント、一貫性のある部分的コンテンツを漸進的に生成するライターエージェント、自然言語の推論に基づく事実検証を通じて幻覚を緩和するチェッカーエージェント。 RH-RAGは、文学的、経済的、法的領域にわたる評価により、事実的根拠、セマンティック・コヒーレンス、文書レベルのアライメントを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-08-02T15:27:00Z)
• Separate the Wheat from the Chaff: Winnowing Down Divergent Views in Retrieval Augmented Generation [61.47019392413271]
  WinnowRAGは、価値あるコンテンツを保持しながら、ノイズの多いドキュメントを体系的にフィルタリングするように設計されている。 WinnowRAGは2段階で動作する: ステージIでは、クエリ対応クラスタリングを行い、類似したドキュメントをグループ化し、異なるトピッククラスタを形成する。 ステージIIでは,批判的なLCMが複数のエージェントの出力を評価し,有用な文書をノイズのあるものから反復的に分離する。
  論文  参考訳（メタデータ） (2025-11-01T20:08:13Z)
• Towards Global Retrieval Augmented Generation: A Benchmark for Corpus-Level Reasoning [50.27838512822097]
  我々は,グローバルRAG機能を評価するために設計された最初のベンチマークであるGlobalQAを紹介する。 我々は,チャンクレベルの検索によって構造的コヒーレンスを保存するマルチツール協調フレームワークであるGlobalRAGを提案する。 Qwen2.5-14Bモデルでは、GlobalRAGは最強のベースラインである1.51 F1と比較して6.63 F1を達成した。
  論文  参考訳（メタデータ） (2025-10-30T07:29:14Z)
• ZeroGR: A Generalizable and Scalable Framework for Zero-Shot Generative Retrieval [125.19156877994612]
  生成検索(GR)は、情報検索(IR)を文書識別子(ドシデント)の生成としてフレーミングすることによって再構成する 我々は、自然言語命令を利用して幅広いIRタスクにわたってGRを拡張するゼロショット生成検索フレームワークであるtextscZeroGRを提案する。 具体的には、textscZeroGRは、3つのキーコンポーネントで構成されている: (i)不均一な文書を意味的に意味のあるドシデントに統一するLMベースのドシデントジェネレータ; (ii)自然言語タスク記述から様々なタイプのクエリを生成し、拡張する命令チューニングクエリジェネレータ。
  論文  参考訳（メタデータ） (2025-10-12T03:04:24Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• C-FedRAG: A Confidential Federated Retrieval-Augmented Generation System [7.385458207094507]
  我々は、FedRAG(Federated Retrieval Augmented Generation)をセキュアにするためのソリューションとして、CC(Confidential Computing)技術を紹介する。 提案するConfidential FedRAGシステム(C-FedRAG)は、コンテキスト機密性を確保することにより、分散化されたデータプロバイダのネットワークをまたいだRAGのセキュアな接続とスケーリングを可能にする。
  論文  参考訳（メタデータ） (2024-12-17T18:42:21Z)

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。