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

• arxiv url: http://arxiv.org/abs/2506.08364v2
• Date: Wed, 11 Jun 2025 01:49:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-12 16:13:48.051299
• 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

• ROG: Retrieval-Augmented LLM Reasoning for Complex First-Order Queries over Knowledge Graphs [14.25887925588904]
  本稿では,クエリを意識した近傍検索と大規模言語モデル(LLM)の連鎖推論を組み合わせた検索拡張フレームワークを提案する。 ROGはマルチ演算クエリを単一演算サブクエリのシーケンスに分解する。 中間回答セットはステップ間でキャッシュされ再利用され、深い推論チェーンの一貫性が向上します。
  論文  参考訳（メタデータ） (2026-02-02T17:45:43Z)
• CoT-Seg: Rethinking Segmentation with Chain-of-Thought Reasoning and Self-Correction [50.67483317563736]
  本稿では,段階的に考察し,必要な情報を検索し,結果を生成し,自己評価を行い,結果を洗練するシステムを提案する。 CoT-Segは、思考の連鎖推論と自己補正を組み合わせることで、推論セグメンテーションを再考する、トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-01-24T11:41:54Z)
• PruneRAG: Confidence-Guided Query Decomposition Trees for Efficient Retrieval-Augmented Generation [19.832367438725306]
  PruneRAGは、安定かつ効率的な推論を行うために構造化されたクエリ分解ツリーを構築する。 我々は,ゴールデンエビデンスを回収するが正しく使用しない事例を定量化するための指標として,エビデンス予測率を定義した。
  論文  参考訳（メタデータ） (2026-01-16T06:38:17Z)
• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• Causal-Counterfactual RAG: The Integration of Causal-Counterfactual Reasoning into RAG [2.3490649790592935]
  大規模言語モデル(LLM)は自然言語処理(NLP)を変換し、大規模な事前学習知識を統合することで多様な応用を可能にしている。 Retrieval-Augmented Generation (RAG)は、検索機構と生成モデルを組み合わせて文脈理解を改善することでこの問題に対処する。 本稿では,因果関係を表す明示的な因果グラフを検索プロセスに統合し,因果構造に基づく反因果推論を取り入れた新しいフレームワークであるCausal-Counterfactual RAGを提案する。
  論文  参考訳（メタデータ） (2025-09-17T21:18:47Z)
• LAG: Logic-Augmented Generation from a Cartesian Perspective [7.2022636966543745]
  本稿では,体系的な問題分解と依存性を考慮した推論を通じて知識強化を再構築する新しいパラダイムである論理拡張生成(LAG)を紹介する。 4つのベンチマークデータセットの実験では、LAGは推論の堅牢性を大幅に向上し、幻覚を減少させ、LLM問題の解決を人間の認知と整合させることが示されている。
  論文  参考訳（メタデータ） (2025-08-07T15:42:00Z)
• Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
  Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。 逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。 この調査は両鎖を統一的推論-検索の観点から合成する。
  論文  参考訳（メタデータ） (2025-07-13T03:29:41Z)
• Inference Scaled GraphRAG: Improving Multi Hop Question Answering on Knowledge Graphs [15.036480111358369]
  大きな言語モデル(LLM)は、言語理解と生成において印象的な能力を達成した。 構造化コンテキストやマルチホップ情報へのアクセスが限られているため、知識集約的推論タスクではパフォーマンスが低下し続けています。 Inference-Scaled GraphRAGは、推論時間計算のスケーリングを適用してLLMベースのグラフ推論を強化する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-06-24T19:31:03Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• 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)
• Graph-based RAG Enhancement via Global Query Disambiguation and Dependency-Aware Reranking [9.280502741892676]
  PankRAGはグローバルに認識され、階層的なクエリ解決戦略である。 解決されたサブクエリ間の依存関係構造を利用するために、依存性対応のリランカを適用する。 PankRAGは、複数のベンチマークで最先端のアプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-07T07:17:14Z)
• 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)
• Improving Multilingual Retrieval-Augmented Language Models through Dialectic Reasoning Argumentations [65.11348389219887]
  そこで,Dialectic-RAG(Dialectic-RAG, DRAG)を提案する。 我々は、文脈内学習戦略と、より小さなモデルをインストラクションするための実演の構築の両方において、我々のフレームワークが与える影響を示す。
  論文  参考訳（メタデータ） (2025-04-07T06:55:15Z)
• 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)
• GRS-QA -- Graph Reasoning-Structured Question Answering Dataset [50.223851616680754]
  グラフ推論-構造化質問応答データセット(GRS-QA)を導入する。 既存のM-QAデータセットとは異なり、GRS-QAは推論グラフを構築することで複雑な推論経路を明示的にキャプチャする。 実験により, LLMは, 様々な推論構造を用いて, 問合せ処理を行う際に, 異なる性能を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-11-01T05:14:03Z)
• 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)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)

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。