論文の概要: RAG-FGO: Dynamic Optimization of Query-Rewriting Agents for Generative RAG
- arxiv url: http://arxiv.org/abs/2611.17788v1
- Date: Fri, 13 Nov 2026 06:01:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.313897
- Title: RAG-FGO: Dynamic Optimization of Query-Rewriting Agents for Generative RAG
- Title(参考訳): RAG-FGO: 生成RAGのためのクエリ書き換えエージェントの動的最適化
- Abstract要約: 本稿では,生成的検索戦略のための動的最適化フレームワークであるRAG-FGOを提案する。
RAG-FGOは、混合離散連続空間における非微分不可能なブラックボックス最適化問題としてクエリ書き換えを定式化する。
プロンプトテンプレートとデコードパラメータを適応的に最適化可能なクエリ書き換えエージェントとして表現する。
局所的な摂動を適用して細かな保存アライメントと精密な精細化を図りながら、局所最適から逃れる意味的ジャンプと構造的再構成を可能にする。
- 参考スコア(独自算出の注目度): 53.17657174845951
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In retrieval-augmented generation (RAG), query rewriting serves as a core interface that aligns user intent with external knowledge bases, and its effectiveness directly determines overall system performance. However, generative retrieval faces three critical challenges in real-world deployment: noisy retrieval feedback, the difficulty of jointly optimizing discrete prompt templates and continuous decoding-control parameters, and the limited generalization of static rewriting strategies under semantically complex scenarios. To address these issues, we propose RAG-FGO, a dynamic optimization framework for generative retrieval strategies. RAG-FGO formulates query rewriting as a non-differentiable black-box optimization problem in a mixed discrete-continuous space, and represents prompt templates and decoding parameters as adaptively optimizable query-rewriting agents. The framework performs global search to enable semantic jumps and structural reorganization that escape local optima, while applying local perturbations for fine-grained alignment and precise refinement. In addition, RAG-FGO introduces an elite-preserving memory pool that accumulates high-quality strategies across iterations, thereby mitigating the impact of stochasticity and noisy feedback on optimization stability. Experimental results on a diverse suite of benchmarks demonstrate the effectiveness and robustness of the proposed method, supporting its applicability to complex semantic retrieval tasks.
- Abstract(参考訳): 検索強化生成(RAG)では、クエリ書き換えがユーザ意図を外部知識ベースと整合させるコアインターフェースとして機能し、その効率性はシステム全体のパフォーマンスを直接決定する。
しかし、生成的検索は、ノイズの多い検索フィードバック、離散的なプロンプトテンプレートと連続的な復号制御パラメータを共同で最適化することの難しさ、意味論的に複雑なシナリオ下での静的書き換え戦略の限定的な一般化の3つの重要な課題に直面している。
これらの課題に対処するために,生成的検索戦略のための動的最適化フレームワークであるRAG-FGOを提案する。
RAG-FGOは、混合離散連続空間における非微分可能ブラックボックス最適化問題としてクエリ書き換えを定式化し、プロンプトテンプレートとデコードパラメータを適応的に最適化可能なクエリ書き換えエージェントとして表現する。
このフレームワークは、局所的な摂動を微粒なアライメントと精密な精細化に応用しながら、局所最適から逃れる意味的ジャンプと構造的再構成を可能にするグローバル検索を行う。
さらに、RAG-FGOは、イテレーション間で高品質な戦略を蓄積するエリート保存メモリプールを導入し、最適化安定性に対する確率性とノイズフィードバックの影響を軽減する。
多様なベンチマークによる実験結果から,提案手法の有効性とロバスト性を実証し,複雑な意味検索タスクへの適用性を示す。
関連論文リスト
- RAISE: RAG Design as an Architecture Search Problem [16.431271020860443]
本稿では,RAGアーキテクチャ検索のためのフレームワークであるRAG Intelligence Search Engine (RAISE)を紹介する。
RAISEは、標準化された検索空間と予算の下でRAGパイプラインの最適化手法を評価する。
実験の結果,最適化性能はタスクに依存していることがわかった。
論文 参考訳(メタデータ) (2026-05-28T14:52:43Z) - IF-GEO: Conflict-Aware Instruction Fusion for Multi-Query Generative Engine Optimization [15.629165035222451]
生成エンジンは、検索したソースから直接回答を合成することで、情報検索に革命をもたらす。
ソースの可視性の向上は、GEO(Generative Engine Optimization)と呼ばれる実用的な戦略である
IF-GEOは、2つのフェーズから構成される「分枝変換」フレームワークである。 (i) 代表的な潜伏クエリから個別に最適化された選好をマイニングすること (ii) 競合認識命令融合による選好の調整によるガイド付き編集のためのグローバルリビジョン・ブループリントを合成すること。
論文 参考訳(メタデータ) (2026-01-20T13:13:39Z) - MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。
我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。
本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
論文 参考訳(メタデータ) (2026-01-12T05:02:48Z) - Reflection-Enhanced Meta-Optimization Integrating TextGrad-style Prompt Optimization with Memory-Driven Self-Evolution [0.0]
本稿では,メモリ拡張リフレクションRetrievalRAGモジュールと自己適応型メタコントローラを統合するフレームワークを提案する。
REMOは、計算オーバーヘッドの増加にもかかわらず、より安定で堅牢なチューニングを実現する。
論文 参考訳(メタデータ) (2025-08-26T07:25:45Z) - Embed Progressive Implicit Preference in Unified Space for Deep Collaborative Filtering [13.24227546548424]
GNOLR(Generalized Neural Ordinal Logistic Regression)は、ユーザエンゲージメントの構造的進行を捉えるために提案されている。
GNOLRは予測精度を高め、ユーザのエンゲージメントの進行を捉え、検索プロセスを単純化する。
10の実世界のデータセットでの実験では、GNOLRは効率と適応性において最先端の手法を大幅に上回っている。
論文 参考訳(メタデータ) (2025-05-27T08:43:35Z) - Lightweight and Direct Document Relevance Optimization for Generative Information Retrieval [49.669503570350166]
生成情報検索(GenIR)は、文書識別子(ドシデント)生成タスクとして文書検索を定式化する有望なニューラル検索パラダイムである。
既存のGenIRモデルはトークンレベルのミスアライメントに悩まされており、次のトークンを予測するためにトレーニングされたモデルは、ドキュメントレベルの関連性を効果的にキャプチャできないことが多い。
本稿では,トークンレベルのドシデント生成と文書レベルのドシデンス推定をペアのランク付けによる直接最適化により整合するダイレクトドキュメントレバレンス最適化(DDRO)を提案する。
論文 参考訳(メタデータ) (2025-04-07T15:27:37Z) - Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
Retrieval-Augmented Generationは、大規模な言語モデル幻覚を緩和するための強力なアプローチとして登場した。
既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。
本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
論文 参考訳(メタデータ) (2025-02-17T18:56:20Z) - In-context Demonstration Matters: On Prompt Optimization for Pseudo-Supervision Refinement [71.60563181678323]
大規模言語モデル(LLM)は様々なタスクで大きな成功を収めており、生成品質をさらに向上させるためには微調整が必要である場合もある。
これらの課題に対処する直接的な解決策は、教師なしの下流タスクから高信頼のデータを生成することである。
本稿では,プロンプトと全体的な擬似スーパービジョンを両立させる新しい手法,擬似教師付きデモアライメント・アライメント・アライメント・プロンプト・最適化(PAPO)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-10-04T03:39:28Z)
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。