Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Leveraging LLM-Assisted Query Understanding for Live Retrieval-Augmented Generation

Created by
  • Haebom

作者

Guanting Dong, Xiaoxi Li, Yuyao Zhang, Mengjie Deng

概要

本論文は、実際の環境のライブリトリーブ-Augmented generation(RAG)システムがノイズが多く、あいまいで、複数の意図を含むユーザークエリを処理する際に直面する困難を扱います。 RAGは外部の知識を通じて大規模な言語モデル(LLM)を向上させますが、従来のシステムは通常よりクリーンなデータで訓練または評価されるため、これらの複雑な入力に困難があります。この論文では、実環境のオープンドメイン設定におけるRAGシステムの強力性と効率性を向上させるように設計された新しいフレームワークであるOmni-RAGを紹介します。 Omni-RAGは、3つの主要なモジュールを介してLLMサポートクエリの理解を活用してユーザー入力を前処理します。 Omni-RAGは、ノイズの多い複雑なクエリを強力に処理することで、現在のRAG機能とSIGIR 2025 LiveRAG Challengeで強調された実際のアプリケーションの要件との間のギャップを解消したいと考えています。

Takeaways、Limitations

Takeaways:
実環境の複雑でノイズの多い問合せに対するRAGシステムの強力性と効率性の向上
LLMベースのクエリの理解と分解による前処理プロセスの有効性の提示
多様なモジュール(深層質の理解と分解,意図認識知識の検索,再順位指定と生成)の統合的アプローチの提示
SIGIR 2025 LiveRAG Challengeなどの実際のアプリケーションに適用可能な提示。
Limitations:
Omni-RAGの性能評価の具体的な結果と分析が不足
使用されたLLM、検索エンジン、再ランク付けモデルなどの特定のパフォーマンスと制限に関する議論の欠如。
特定のドメインまたは言語に偏りがあるかどうかの分析の欠如。
スケーラビリティとリアルタイム処理性能の評価不足
👍