CIIR@LiveRAG 2025: Optimizing Multi-Agent Retrieval Augmented Generation through Self-Training

要約

このペーパーでは、計画、検索、推論、調整などのサブタスクのための専門的なエージェントで構成されるマルチエージェント検索の高等発電（RAG）フレームワークであるMragを紹介します。
私たちのシステムは、報酬誘導軌道サンプリングを備えたセルフトレーニングパラダイムを使用して、エージェント間コラボレーションを最適化し、応答の生成を強化します。
Sigir 2025 Liveragコンペティション中にDatamorgana由来のデータセットで評価されたMragは、従来のRAGベースラインを上回ります。
競争の結果をさらに分析し、フレームワークの強みをケーススタディで紹介し、複雑で実世界のぼろきれタスクに対するその有効性を示しています。

要約(オリジナル)

This paper presents mRAG, a multi-agent retrieval-augmented generation (RAG) framework composed of specialized agents for subtasks such as planning, searching, reasoning, and coordination. Our system uses a self-training paradigm with reward-guided trajectory sampling to optimize inter-agent collaboration and enhance response generation. Evaluated on DataMorgana-derived datasets during the SIGIR 2025 LiveRAG competition, mRAG outperforms conventional RAG baselines. We further analyze competition outcomes and showcase the framework’s strengths with case studies, demonstrating its efficacy for complex, real-world RAG tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google