論文の概要: Typed-RAG: Type-Aware Decomposition of Non-Factoid Questions for Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2503.15879v3
• Date: Tue, 22 Jul 2025 11:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 15:16:10.95897
• Title: Typed-RAG: Type-Aware Decomposition of Non-Factoid Questions for Retrieval-Augmented Generation
• Title（参考訳）: Typed-RAG:検索・拡張のための非ファクトイド質問のタイプアウェア分解
• Authors: DongGeon Lee, Ahjeong Park, Hyeri Lee, Hyeonseo Nam, Yunho Maeng,
• Abstract要約: 非ファクトイド質問(NFQ)の型認識分解のためのフレームワークであるTyped-RAGを提案する。 具体的には、Typed-RAGはNFQを事前に定義された型に分類する。 その後、質問を集中サブクエリに分解し、それぞれが1つの側面にフォーカスする。 これらのサブクエリの結果を組み合わせることで、Typed-RAGはより情報的かつ文脈的に整合した応答を生成する。
• 参考スコア（独自算出の注目度）: 1.275764996205493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Addressing non-factoid question answering (NFQA) remains challenging due to its open-ended nature, diverse user intents, and need for multi-aspect reasoning. These characteristics often reveal the limitations of conventional retrieval-augmented generation (RAG) approaches. To overcome these challenges, we propose Typed-RAG, a framework for type-aware decomposition of non-factoid questions (NFQs) within the RAG paradigm. Specifically, Typed-RAG first classifies an NFQ into a predefined type (e.g., Debate, Experience, Comparison). It then decomposes the question into focused sub-queries, each focusing on a single aspect. This decomposition enhances both retrieval relevance and answer quality. By combining the results of these sub-queries, Typed-RAG produces more informative and contextually aligned responses. Additionally, we construct Wiki-NFQA, a benchmark dataset for NFQA covering a wide range of NFQ types. Experiments show that Typed-RAG consistently outperforms existing QA approaches based on LLMs or RAG methods, validating the effectiveness of type-aware decomposition for improving both retrieval quality and answer generation in NFQA. Our code and dataset are available on https://github.com/TeamNLP/Typed-RAG.
• Abstract（参考訳）: 非ファクトイド質問応答(NFQA)への対処は、そのオープンエンドな性質、多様なユーザ意図、マルチアスペクト推論の必要性により、依然として困難である。 これらの特徴は、しばしば従来の検索強化生成(RAG)アプローチの限界を明らかにする。 これらの課題を克服するために、RAGパラダイム内で非ファクトイド質問(NFQ)をタイプアウェアで分解するフレームワークであるTyped-RAGを提案する。 具体的には、Typed-RAGはNFQを事前に定義された型(例えば、議論、経験、比較)に分類する。 その後、質問を集中サブクエリに分解し、それぞれが1つの側面にフォーカスする。 この分解により、検索関連性と回答品質の両方が向上する。 これらのサブクエリの結果を組み合わせることで、Typed-RAGはより情報的かつ文脈的に整合した応答を生成する。 さらに,幅広いNFQ型をカバーするNFQAのベンチマークデータセットであるWiki-NFQAを構築した。 実験の結果,Typed-RAG は LLM 法や RAG 法に基づく既存のQA 手法より一貫して優れており,NFQA における検索品質と回答生成の両面において,型認識分解の有効性が検証された。 私たちのコードとデータセットはhttps://github.com/TeamNLP/Typed-RAG.orgで公開されています。

関連論文リスト

• Question Decomposition for Retrieval-Augmented Generation [2.6409776648054764]
  本稿では疑問分解をサブクエストに組み込んだRAGパイプラインを提案する。 補間的な文書を効果的に組み立てる一方で、再ランク付けによってノイズが減少することを示す。 再ランク自体は標準的なものであるが、LLMによる質問分解と既製のクロスエンコーダのペアリングは、マルチホップ質問の検索ギャップを橋渡しすることを示す。
  論文  参考訳（メタデータ） (2025-07-01T01:01:54Z)
• PreQRAG -- Classify and Rewrite for Enhanced RAG [1.652907918484303]
  検索および生成品質を改善するために設計された検索拡張型アーキテクチャであるPreQRAGを紹介する。 PreQRAGには、まず各入力質問を単一ドキュメントタイプまたは複数ドキュメントタイプに分類するパイプラインが組み込まれている。 単文書質問に対して,検索精度と生成関連性を改善するために質問書き直し手法を用いる。 複数文書の質問に対して、より効果的に処理できる集中サブクェリに複雑なクエリを分解する。
  論文  参考訳（メタデータ） (2025-06-20T22:02:05Z)
• Do RAG Systems Cover What Matters? Evaluating and Optimizing Responses with Sub-Question Coverage [74.70255719194819]
  サブクエストカバレッジに基づく新しいフレームワークを導入し、RAGシステムが質問の異なる面にどのように対処するかを計測する。 このフレームワークを使用して、You.com、Perplexity AI、Bing Chatの3つの商用生成応答エンジンを評価します。 すべての回答エンジンは、バックグラウンドやフォローアップよりも、コアサブクエストを頻繁にカバーしていますが、コアサブクエストの約50%を見逃しています。
  論文  参考訳（メタデータ） (2024-10-20T22:59:34Z)
• RAG-QA Arena: Evaluating Domain Robustness for Long-form Retrieval Augmented Question Answering [61.19126689470398]
  Long-form RobustQA (LFRQA)は、7つの異なるドメインにわたる26Kクエリと大きなコーパスをカバーする新しいデータセットである。 RAG-QAアリーナと人間の回答品質判断は高い相関関係にあることを示す。 最も競争力のあるLLMの回答の41.3%のみがLFRQAの回答に好まれており、RAG-QAアリーナは将来の研究の挑戦的な評価プラットフォームであることを示している。
  論文  参考訳（メタデータ） (2024-07-19T03:02:51Z)
• HiQA: A Hierarchical Contextual Augmentation RAG for Multi-Documents QA [13.000411428297813]
  コンテンツにカスケードメタデータと複数ルート検索機構を統合した,高度な多文書質問応答(MDQA)フレームワークであるHiQAを提案する。 また、MDQAの評価と研究を行うMasQAというベンチマークもリリースしました。
  論文  参考訳（メタデータ） (2024-02-01T02:24:15Z)
• CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of Large Language Models [49.16989035566899]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の能力を高める技術である。 本稿では,大規模かつ包括的なベンチマークを構築し,様々なRAGアプリケーションシナリオにおけるRAGシステムのすべてのコンポーネントを評価する。
  論文  参考訳（メタデータ） (2024-01-30T14:25:32Z)
• Diversity Enhanced Narrative Question Generation for Storybooks [4.043005183192124]
  マルチクエスト生成モデル(mQG)を導入し,複数の,多様な,回答可能な質問を生成する。 生成した質問の応答性を検証するために,SQuAD2.0の微調整された質問応答モデルを用いる。 mQGは、強力なベースラインの中で、様々な評価指標で有望な結果を示している。
  論文  参考訳（メタデータ） (2023-10-25T08:10:04Z)
• Prompting Large Language Models with Chain-of-Thought for Few-Shot Knowledge Base Question Generation [19.327008532572645]
  知識ベースに関する質問生成(KBQG)は、論理形式を自然言語の質問に変換することを目的としている。 推論のためのコンテキスト内学習戦略であるChain-of-Thoughtプロンプトを提案する。 3つのKBQGデータセットに対して広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-12T15:08:14Z)
• Event Extraction as Question Generation and Answering [72.04433206754489]
  イベント抽出に関する最近の研究は、質問回答(QA)としてタスクを再編成した。 そこで我々は,QGA-EEを提案する。QGモデルにより,定型テンプレートを使わずに,リッチな文脈情報を含む質問を生成することができる。 実験の結果、QGA-EEはACE05の英語データセットで以前のシングルタスクベースのモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-10T01:46:15Z)
• An Empirical Comparison of LM-based Question and Answer Generation Methods [79.31199020420827]
  質問と回答の生成(QAG)は、コンテキストが与えられた質問と回答のペアのセットを生成することで構成される。 本稿では,シーケンス・ツー・シーケンス言語モデル(LM)を微調整する3つの異なるQAG手法を用いて,ベースラインを確立する。 実験により、学習時間と推論時間の両方で計算的に軽量なエンドツーエンドQAGモデルが一般に堅牢であり、他のより複雑なアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-26T14:59:53Z)
• RoMQA: A Benchmark for Robust, Multi-evidence, Multi-answer Question Answering [87.18962441714976]
  堅牢でマルチエビデンスな質問応答(QA)のための最初のベンチマークであるRoMQAを紹介します。 我々は、最先端の大規模言語モデルをゼロショット、少数ショット、微調整設定で評価し、RoMQAが難しいことを発見した。 以上の結果から,RoMQAは大規模言語モデルにとって難しいベンチマークであり,より堅牢なQA手法を構築するための定量的なテストを提供する。
  論文  参考訳（メタデータ） (2022-10-25T21:39:36Z)
• Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
  本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。 提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
  論文  参考訳（メタデータ） (2022-02-22T01:34:35Z)
• Relation-Guided Pre-Training for Open-Domain Question Answering [67.86958978322188]
  複雑なオープンドメイン問題を解決するためのRGPT-QA(Relation-Guided Pre-Training)フレームワークを提案する。 RGPT-QAは, 自然質問, TriviaQA, WebQuestionsにおいて, Exact Matchの精度が2.2%, 2.4%, 6.3%向上したことを示す。
  論文  参考訳（メタデータ） (2021-09-21T17:59:31Z)
• EQG-RACE: Examination-Type Question Generation [21.17100754955864]
  本論文では, RACEから抽出したデータセットをもとに, 試験型質問生成手法 (EQG-RACE) を提案する。 EQG-RACEでは、離散的な回答情報を扱うための2つの主要な戦略と、長い文脈における推論が採用されています。 実験結果は、ベースラインよりも優れたEQG-RACEの最先端の性能を示しています。
  論文  参考訳（メタデータ） (2020-12-11T03:52:17Z)
• C3VQG: Category Consistent Cyclic Visual Question Generation [51.339348810676896]
  視覚質問生成(VQG)は、画像に基づいて自然な質問を生成するタスクである。 本稿では,画像内の様々な視覚的手がかりと概念を利用して,基底的答えを伴わずに,変分オートエンコーダ(VAE)を用いて質問を生成する。 提案手法は,既存のVQGシステムにおける2つの大きな欠点を解消する: (i) 監督レベルを最小化し, (ii) 一般的な質問をカテゴリ関連世代に置き換える。
  論文  参考訳（メタデータ） (2020-05-15T20:25:03Z)

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。