論文の概要: CC-RAG: Structured Multi-Hop Reasoning via Theme-Based Causal Graphs

• arxiv url: http://arxiv.org/abs/2506.08364v1
• Date: Tue, 10 Jun 2025 02:22:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:41.166025
• Title: CC-RAG: Structured Multi-Hop Reasoning via Theme-Based Causal Graphs
• Title（参考訳）: CC-RAG:テーマベースの因果グラフによる構造化マルチホップ推論
• Authors: Jash Rajesh Parekh, Pengcheng Jiang, Jiawei Han,
• Abstract要約: Causal-Chain RAG (CC-RAG) は、ゼロショットトリプル抽出とテーマ対応グラフ連鎖をRAGパイプラインに統合する新しいアプローチである。 ドメイン固有コーパスが与えられたとき、CC-RAGは、原因、関係、効果の3つの方向の非巡回グラフ(DAG)を構築し、構造化された回答生成を導くために前方/後方の連鎖を利用する。
• 参考スコア（独自算出の注目度）: 23.587337743113228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding cause and effect relationships remains a formidable challenge for Large Language Models (LLMs), particularly in specialized domains where reasoning requires more than surface-level correlations. Retrieval-Augmented Generation (RAG) improves factual accuracy, but standard RAG pipelines treat evidence as flat context, lacking the structure required to model true causal dependencies. We introduce Causal-Chain RAG (CC-RAG), a novel approach that integrates zero-shot triple extraction and theme-aware graph chaining into the RAG pipeline, enabling structured multi-hop inference. Given a domain specific corpus, CC-RAG constructs a Directed Acyclic Graph (DAG) of <cause, relation, effect> triples and uses forward/backward chaining to guide structured answer generation. Experiments on two real-world domains: Bitcoin price fluctuations and Gaucher disease, show that CC-RAG outperforms standard RAG and zero-shot LLMs in chain similarity, information density, and lexical diversity. Both LLM-as-a-Judge and human evaluations consistently favor CC-RAG. Our results demonstrate that explicitly modeling causal structure enables LLMs to generate more accurate and interpretable responses, especially in specialized domains where flat retrieval fails.
• Abstract（参考訳）: 因果関係と効果関係を理解することは、特に推論が表面レベルの相関以上を必要とする専門分野において、LLM(Large Language Models)にとって深刻な課題である。 Retrieval-Augmented Generation (RAG)は事実の精度を向上させるが、標準的なRAGパイプラインは証拠をフラットなコンテキストとして扱い、真の因果依存性をモデル化するために必要な構造を欠いている。 本稿では、ゼロショットトリプル抽出とテーマ認識グラフチェインをRAGパイプラインに統合し、構造化マルチホップ推論を可能にする新しいアプローチであるCausal-Chain RAG(CC-RAG)を紹介する。 ドメイン固有コーパスが与えられたとき、CC-RAGは< cause, relation, effect> triples の方向非巡回グラフ (DAG) を構築し、構造化された回答生成を導くために前方/後方連鎖を利用する。 Bitcoinの価格変動とゴーシェ病の実験では、CC-RAGは標準的なRAGとゼロショットLLMをチェーン類似性、情報密度、語彙多様性で上回っている。 LLM-as-a-Judgeとヒトの評価はCC-RAGを常に好んでいる。 本研究は, 因果構造を明示的にモデル化することにより, LLMがより正確かつ解釈可能な応答を生成できることを実証する。

関連論文リスト

• Reasoning with RAGged events: RAG-Enhanced Event Knowledge Base Construction and reasoning with proof-assistants [0.9790236766474201]
  本稿では,複数のLPMを用いた過去のイベントの自動抽出モデルを提案する。 我々はトゥキディデスの史料を用いて評価を行う。 抽出されたRDF表現をCoq証明アシスタント仕様に変換する自動翻訳パイプラインを開発した。
  論文  参考訳（メタデータ） (2025-06-08T08:36:14Z)
• KAQG: A Knowledge-Graph-Enhanced RAG for Difficulty-Controlled Question Generation [0.0]
  KAQGがRetrieval-Augmented Generation(RAG)に決定的なブレークスルーを導入 これは、透明な多段階推論ときめ細かい認知難易度制御という、現在のパイプラインの2つの慢性的な弱点に対処する。 技術的には、このフレームワークは知識グラフ、RAG検索、教育評価理論を単一のパイプラインに融合する。
  論文  参考訳（メタデータ） (2025-05-12T14:42:19Z)
• AlignRAG: Leveraging Critique Learning for Evidence-Sensitive Retrieval-Augmented Reasoning [61.28113271728859]
  RAGは知識ベースで大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 標準的なRAGパイプラインは、モデル推論が取得した証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 本研究では,RAGをRetrieval-Augmented Reasoningと解釈し,中心的だが未探索な問題であるtextitReasoning Misalignmentを同定する。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• CDF-RAG: Causal Dynamic Feedback for Adaptive Retrieval-Augmented Generation [3.8808821719659763]
  適応検索拡張生成(CDF-RAG)のための因果動的フィードバックを導入する。 CDF-RAGは、クエリを反復的に洗練し、構造化因果グラフを検索し、相互接続された知識ソース間のマルチホップ因果推論を可能にする。 我々は,CDF-RAGを4つの多様なデータセット上で評価し,既存のRAG法よりも応答精度と因果正性を向上させる能力を示した。
  論文  参考訳（メタデータ） (2025-04-17T01:15:13Z)
• CausalRAG: Integrating Causal Graphs into Retrieval-Augmented Generation [11.265999775635823]
  CausalRAGは因果グラフを検索プロセスに組み込む新しいフレームワークである。 因果関係の構築と追跡により、CausalRAGは文脈連続性を保ち、検索精度を向上させる。 本研究は,因果推論における接地探索が,知識集約型タスクに有望なアプローチをもたらすことを示唆している。
  論文  参考訳（メタデータ） (2025-03-25T17:43:08Z)
• Chain-of-Retrieval Augmented Generation [72.06205327186069]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• Causality is all you need [63.10680366545293]
  因果グラフルーティング(Causal Graph Routing, CGR)は、データに隠された原因影響力を明らかにするための介入機構を完全に依存した統合因果スキームである。 CGRは、Visual Question AnswerとLong Document Classificationタスクの両方において、最先端のメソッドを超越することができる。
  論文  参考訳（メタデータ） (2023-11-21T02:53:40Z)

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。