要旨: 大規模言語モデル（LLM）の生成品質を高めるための重要なパラダイムである検索拡張生成（RAG）は、検索精度と計算効率に関して2つの課題に直面している。本論文では、Bridge-RAGと呼ばれる新しいRAGフレームワークを提案する。精度の課題を克服するために、クエリ対象のエンティティとドキュメント断片の間をつなぐための「抽象（abstract）」という概念を導入し、頑健な意味理解を実現する。抽象をツリー構造に整理し、十分な文脈情報の包含を保証するための多段階の検索戦略を設計する。効率の課題を克服するために、改良したCuckoo Filter（クッカーフィルタ）を導入する。これは、迅速なメンバシップ照会と更新を支える効率的なデータ構造であり、検索プロセス中のエンティティ位置特定を加速する。さらに、空間的および時間的局所性の観点から効率を向上させるために、ブロック連結リスト構造と、エンティティの温度に基づくソート機構を設計する。大規模な実験の結果、Bridge-RAGは他のRAGフレームワークと比べて約15.65%の精度向上を達成し、検索時間を10倍から500倍削減することが示された。
Bridge-RAG：カッコーフィルタを用いた抽象ブリッジ木ベースの検索拡張生成アルゴリズム
arXiv cs.AI / 2026/3/31
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、大規模言語モデル（LLM）に対して検索精度と計算効率の両方を向上させることを目的とした、新しい検索拡張生成（RAG）フレームワーク「Bridge-RAG」を提案する。
- 「抽象からブリッジへ（abstract-to-bridge）」という仕組みを導入し、クエリのエンティティを文書チャンクへとマッピングする。これを抽象木によって整理し、十分な文脈を保持するための多段階の検索戦略と組み合わせる。
- 効率化のために、高速なメンバーシップ照会／更新を可能にする改良版カッコーフィルタを採用し、検索時のエンティティ特定を高速化する。
- さらに、ブロック連結リスト構造およびエンティティの「温度（temperature）」に基づくソート方式を用いて、空間的・時間的局所性を活用しつつ検索性能を最適化する。
- 実験結果では、他のRAGフレームワークに比べて精度が約15.65%向上し、検索時間が10倍〜500倍削減されたことが報告されている。
