論文の概要: ComoRAG: A Cognitive-Inspired Memory-Organized RAG for Stateful Long Narrative Reasoning

• arxiv url: http://arxiv.org/abs/2508.10419v1
• Date: Thu, 14 Aug 2025 07:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.216875
• Title: ComoRAG: A Cognitive-Inspired Memory-Organized RAG for Stateful Long Narrative Reasoning
• Title（参考訳）: ComoRAG: 認知にインスパイアされた記憶組織型RAGによるステートフル・ナラティブ・推論
• Authors: Juyuan Wang, Rongchen Zhao, Wei Wei, Yufeng Wang, Mo Yu, Jie Zhou, Jin Xu, Liyan Xu,
• Abstract要約: ComoRAGは、新たなエビデンス獲得と過去の知識統合の間の動的かつ進化的な相互作用である。 新しい探索パスを考案するための探索クエリを生成し、検索した新しい側面の証拠をグローバルメモリプールに統合する。 ComoRAGは、グローバル理解を必要とする複雑なクエリに対して特に有利である。
• 参考スコア（独自算出の注目度）: 42.696292136924846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Narrative comprehension on long stories and novels has been a challenging domain attributed to their intricate plotlines and entangled, often evolving relations among characters and entities. Given the LLM's diminished reasoning over extended context and high computational cost, retrieval-based approaches remain a pivotal role in practice. However, traditional RAG methods can fall short due to their stateless, single-step retrieval process, which often overlooks the dynamic nature of capturing interconnected relations within long-range context. In this work, we propose ComoRAG, holding the principle that narrative reasoning is not a one-shot process, but a dynamic, evolving interplay between new evidence acquisition and past knowledge consolidation, analogous to human cognition when reasoning with memory-related signals in the brain. Specifically, when encountering a reasoning impasse, ComoRAG undergoes iterative reasoning cycles while interacting with a dynamic memory workspace. In each cycle, it generates probing queries to devise new exploratory paths, then integrates the retrieved evidence of new aspects into a global memory pool, thereby supporting the emergence of a coherent context for the query resolution. Across four challenging long-context narrative benchmarks (200K+ tokens), ComoRAG outperforms strong RAG baselines with consistent relative gains up to 11% compared to the strongest baseline. Further analysis reveals that ComoRAG is particularly advantageous for complex queries requiring global comprehension, offering a principled, cognitively motivated paradigm for retrieval-based long context comprehension towards stateful reasoning. Our code is publicly released at https://github.com/EternityJune25/ComoRAG
• Abstract（参考訳）: 長い物語や小説に関する物語的理解は、複雑な筋書きと絡み合いがあり、しばしばキャラクターと実体の間の関係が進化しているため、困難な領域となっている。 LLMの長期的文脈と高い計算コストに対する推論の減少を考えると、検索に基づくアプローチは実際には重要な役割を担っている。 しかし、従来のRAG法はステートレスで単一ステップの検索プロセスのため、長いコンテキスト内で相互接続関係を捉えるという動的な性質を見落としてしまうことがある。 本研究では,脳内の記憶関連信号による推論において,人間の認知に類似した,新たなエビデンス獲得と過去の知識統合との動的かつ進化的な相互作用を,物語推論はワンショットのプロセスである,という原則を掲げて,コモラグを提案する。 特に、推論障害に遭遇すると、ComoRAGは動的メモリワークスペースと相互作用しながら反復推論サイクルを実行する。 各サイクルで探索経路を探索するクエリを生成し、検索した新しいアスペクトの証拠をグローバルメモリプールに統合し、クエリ解決のための一貫性のあるコンテキストの出現をサポートする。 4つの挑戦的な長文のナラティブベンチマーク(200K+トークン)の中で、ComoRAGは強力なRAGベースラインを上回り、最も強いベースラインと比較して、一貫性のある相対的なゲインが最大11%向上している。 さらに分析した結果,コモラグは,大域的な理解を必要とする複雑なクエリに対して特に有利であることが判明した。 私たちのコードはhttps://github.com/Eternity June25/ComoRAGで公開されています。

関連論文リスト

• Reading Between the Timelines: RAG for Answering Diachronic Questions [8.969698902720799]
  我々は、時間論理を注入するためにRAGパイプラインを根本的に再設計する新しいフレームワークを提案する。 提案手法は回答精度を大幅に向上し,標準RAG実装を13%から27%上回る結果となった。 この研究はRAGシステムに対する検証された経路を提供し、複雑な現実世界の質問に必要とされるニュアンス付き進化分析を行うことができる。
  論文  参考訳（メタデータ） (2025-07-21T05:19:41Z)
• 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)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• KnowTrace: Bootstrapping Iterative Retrieval-Augmented Generation with Structured Knowledge Tracing [64.38243807002878]
  我々は、大規模言語モデルにおけるコンテキスト過負荷を軽減するためのエレガントなRAGフレームワークであるKnowTraceを紹介する。 KnowTraceは、必要な知識三つ子を自律的に追跡して、入力された質問に関連する特定の知識グラフを整理する。 3つのマルチホップ質問応答ベンチマークで、既存のメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-26T17:22:20Z)
• 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)
• MemoRAG: Boosting Long Context Processing with Global Memory-Enhanced Retrieval Augmentation [60.04380907045708]
  Retrieval-Augmented Generation (RAG)は、この問題に対処するための有望な戦略と考えられている。 我々は,グローバルメモリ拡張検索による新しいRAGフレームワークであるMemoRAGを提案する。 MemoRAGは、様々な長期コンテキスト評価タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-09-09T13:20:31Z)

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。