論文の概要: CURATOR: Scalable Fine-grained Evidence Selection for Retrieval-Augmented Generation using Decision Models
- arxiv url: http://arxiv.org/abs/2611.16366v1
- Date: Thu, 12 Nov 2026 06:29:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.377035
- Title: CURATOR: Scalable Fine-grained Evidence Selection for Retrieval-Augmented Generation using Decision Models
- Title(参考訳): CURATOR:決定モデルを用いた検索拡張生成のためのスケーラブルなきめ細かいエビデンス選択
- Abstract要約: 大規模候補集合に対して信頼性の高い証拠選択決定を行うために訓練された決定モデルであるCURATORを紹介する。
CURATORは,候補数の増加に伴い,強い証拠識別能力を維持している。
- 参考スコア(独自算出の注目度): 5.015980915783907
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retrieval-augmented generation (RAG) provides entire retrieved passages to the LLM, even though only a handful of spans within them contain the evidence pertaining to the question. While precise selection of these spans can improve context utilization, identifying them in isolation is challenging. A span may appear irrelevant by itself, and deciding whether to retain it may require examining other retrieved information. One can evaluate each span's candidacy with the full retrieved context, but this is computationally inefficient as the same text must be processed repeatedly. Pretrained decision model can be used to efficiently evaluate multiple spans simultaneously, allowing each decision to consider the surrounding spans as well. However, our experiments show that their ability to identify relevant evidence deteriorates as the number of simultaneous decisions increases. To address this, we introduce CURATOR, a fine-tuned decision model trained to make reliable evidence-selection decisions over large candidate sets. By training a decision model to select varying numbers of supporting spans from large candidate pools, CURATOR develops the capability to select evidence for RAG while retaining the computational efficiency of joint decision-making. We observe that CURATOR maintains a strong evidence discrimination capability as the number of candidates increases, generalizes across different tasks and document domains, and improves downstream RAG performance, particularly when the available context is limited.
- Abstract(参考訳): Retrieval-augmented Generation (RAG) はLLMへの全経路を提供するが、その中に問題に関連する証拠が含まれているのはわずかである。
これらのスパンの正確な選択はコンテキスト利用を改善することができるが、それらを分離して識別することは困難である。
スパンはそれ自体が無関係に見え、保持するかどうかを決めるには、他の検索された情報を調べる必要があるかもしれない。
各スパンの候補を全検索コンテキストで評価できるが、同じテキストを繰り返し処理しなければならないため、計算的に非効率である。
事前訓練された決定モデルは、複数のスパンを同時に評価するために使用することができ、各決定は周囲のスパンも考慮することができる。
しかし, 同時決定数の増加に伴い, 関連する証拠を同定する能力は低下することがわかった。
そこで本研究では,大規模候補集合に対して信頼性の高いエビデンス選択決定を行うための微調整決定モデルであるCURATORを紹介する。
CURATORは、大きな候補プールから様々な数の支持範囲を選択するための意思決定モデルを訓練することにより、共同意思決定の計算効率を維持しながらRAGの証拠を選択する能力を開発する。
CURATORは,候補数の増加とともに強力なエビデンス識別能力を維持し,タスクや文書領域をまたいで一般化し,特に利用可能なコンテキストが限定された場合,下流RAGの性能を向上させる。
関連論文リスト
- Best-of-Evidence: Best-of-N Selection under Partial Verification [10.320644220913069]
ベスト・オブ・エビデンス(Best-of-Evidence、BE)は、BoN候補プールを固定する推論時選択フレームワークである。
BoEは部分的な検証の下で選択を形式化し、実用的なスコアベースのコントローラを提供する。
4つの医療用VQA設定の共通リーダ実験は、BoEが固定プールの選択を改善し、いくつかのBoN障害を解消できることを示している。
論文 参考訳(メタデータ) (2026-07-23T06:03:59Z) - Boosting Self-Consistency with Ranking [56.38798757709555]
自己整合性は、複数の推論パスをサンプリングし、最も頻繁な回答を選択することで、大きな言語モデルを改善する。
この制限は、自己整合性における解答選択をランク付け問題として再構成する、ランク付け改善自己整合性(RISC)に対処する。
論文 参考訳(メタデータ) (2026-06-03T16:12:30Z) - Can QPP Choose the Right Query Variant? Evaluating Query Variant Selection for RAG Pipelines [48.34524144147475]
LLM(Large Language Models)は、現代の検索やRAG(Retrieval-Augmented Generation)パイプラインにおいて、クエリ再構成を至るところで実現している。
本稿では、アドホック検索とエンドツーエンドRAGをまたいで、クエリ性能予測(QPP)を異種選択のメカニズムとして検討する。
論文 参考訳(メタデータ) (2026-04-24T15:36:40Z) - 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) - Options-Aware Dense Retrieval for Multiple-Choice query Answering [5.098112872671412]
長文複数選択質問応答タスクは、広範囲なテキストソースに対して頑健な推論を必要とする。
この領域における先行研究は、主に事前訓練された高密度検索モデルを利用している。
本稿では,これらの課題に対処するため,OADR (Options Aware Dense Retrieval) と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2025-01-27T15:03:26Z) - Diversified Batch Selection for Training Acceleration [68.67164304377732]
オンラインバッチ選択として知られる一般的な研究ラインでは、トレーニングプロセス中の情報サブセットの選択について検討している。
バニラ参照モデルフリーメソッドは、独立してデータをサンプリング的にスコア付けし、選択する。
DivBS(Diversified Batch Selection)を提案する。
論文 参考訳(メタデータ) (2024-06-07T12:12:20Z) - Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。
我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
論文 参考訳(メタデータ) (2022-11-15T15:58:56Z) - Selective Inference for Sparse Multitask Regression with Applications in
Neuroimaging [2.611153304251067]
本稿では、ニューロイメージングにおける一般的なマルチタスク問題に対処するための選択推論フレームワークを提案する。
我々のフレームワークは、選択イベントの洗練に基づいて、新しい推論条件を提供する。
我々は,選択推論を用いたマルチタスク学習により,単一タスク法よりも真の信号をより正確に復元できることをシミュレーションにより示す。
論文 参考訳(メタデータ) (2022-05-27T20:21:20Z)
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。