論文の概要: Modeling Contextual Passage Utility for Multihop Question Answering

• arxiv url: http://arxiv.org/abs/2512.06464v1
• Date: Sat, 06 Dec 2025 14:54:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.371166
• Title: Modeling Contextual Passage Utility for Multihop Question Answering
• Title（参考訳）: マルチホップ質問応答のためのコンテキストパスユーティリティのモデル化
• Authors: Akriti Jain, Aparna Garimella,
• Abstract要約: マルチホップ質問回答(Multihop Question Answering, QA)は、複数のテキストパスから情報を識別して合成するシステムである。 本稿では,パス間の依存関係を考慮に入れながら,コンテキストパスユーティリティをモデル化するための軽量なアプローチを提案する。 我々は、先進的推論モデルからの推論トレースを利用して、問合せが解答に使用される順序を捉える。
• 参考スコア（独自算出の注目度）: 3.8786514101828167
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multihop Question Answering (QA) requires systems to identify and synthesize information from multiple text passages. While most prior retrieval methods assist in identifying relevant passages for QA, further assessing the utility of the passages can help in removing redundant ones, which may otherwise add to noise and inaccuracies in the generated answers. Existing utility prediction approaches model passage utility independently, overlooking a critical aspect of multihop reasoning: the utility of a passage can be context-dependent, influenced by its relation to other passages - whether it provides complementary information or forms a crucial link in conjunction with others. In this paper, we propose a lightweight approach to model contextual passage utility, accounting for inter-passage dependencies. We fine-tune a small transformer-based model to predict passage utility scores for multihop QA. We leverage the reasoning traces from an advanced reasoning model to capture the order in which passages are used to answer a question and obtain synthetic training data. Through comprehensive experiments, we demonstrate that our utility-based scoring of retrieved passages leads to improved reranking and downstream QA performance compared to relevance-based reranking methods.
• Abstract（参考訳）: マルチホップ質問回答(Multihop Question Answering, QA)は、複数のテキストパスから情報を識別して合成するシステムである。 従来のほとんどの検索手法は、QAの関連するパスを特定するのに役立っているが、さらにそのパスの有用性を評価することは、冗長なパスを除去するのに役立ち、そうでなければ、生成された回答のノイズや不正確な結果をもたらす可能性がある。 既存のユーティリティ予測は、モデルパスの実用性に独立してアプローチし、マルチホップ推論の重要な側面を見越す: パスの実用性は他のパスとの関係から影響を受け、コンテキスト依存で、補完的な情報を提供するか、他のパスとの重要なリンクを形成するかである。 本稿では,パス間依存関係を考慮したコンテキストパスユーティリティのモデル化のための軽量なアプローチを提案する。 マルチホップQAの通過効用スコアを予測するために,小型変圧器ベースモデルを微調整する。 我々は,先進的推論モデルからの推論トレースを利用して,質問に回答するために通路を使用する順序を抽出し,合成学習データを得る。 総合的な実験を通して,検索したパスの有効性に基づくスコアリングが,関連性に基づく評価方法と比較して,順位および下流QA性能の向上につながることを示す。

関連論文リスト

• Inferential Question Answering [67.54465021408724]
  新しいタスクであるInferential QAを導入します。これは、答えをサポートするパスから答えを推測するためにモデルに挑戦するものです。 そこで本研究では,7,401問と2.4M節からなるQUITデータセットを構築した。 我々は,従来のQAタスクに有効な手法が推論QAに苦しむことを示し,レトリバーは性能が低下し,リランカーは利得が制限され,微調整は不整合の改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2026-02-01T14:02:43Z)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• Decomposition-Enhanced Training for Post-Hoc Attributions In Language Models [64.49342399229529]
  我々は、ポストホック帰属を推論問題として再編成し、回答を構成単位に分解し、それぞれ特定の文脈に結び付けることができると論じる。 DecompTuneは、モデルに中間的推論ステップとして解解分解を生成することを教えるポストトレーニング手法である。 DecompTuneは、広範な実験と改善を通じて、属性の品質を大幅に改善し、先行手法より優れ、最先端のフロンティアモデルに適合または超えている。
  論文  参考訳（メタデータ） (2025-10-29T17:58:59Z)
• Beyond Independent Passages: Adaptive Passage Combination Retrieval for Retrieval Augmented Open-Domain Question Answering [7.468615741572889]
  Adaptive Passage Combination Retrieval (AdaPCR)は、ブラックボックスLMで応答するオープンドメイン質問のための新しいフレームワークである。 AdaPCRは、経路の組み合わせを検索と再ランクのための単位として考慮することで、通路間の依存関係を明示的にモデル化する。
  論文  参考訳（メタデータ） (2025-07-05T15:10:12Z)
• HopWeaver: Cross-Document Synthesis of High-Quality and Authentic Multi-Hop Questions [13.229192927243389]
  MHQA(Multi-Hop Question Answering)は、様々な情報源からの情報を統合するモデルの能力を評価するために重要である。 本稿では,人間の介入なしに真のマルチホップ質問を合成する最初のクロスドキュメントフレームワークであるHopWeaverを紹介する。
  論文  参考訳（メタデータ） (2025-05-21T04:14:14Z)
• Uncertainty Quantification in Retrieval Augmented Question Answering [45.573346610161195]
  本稿では,QAモデルが備える通路の有効性を推定することで,QAモデルの不確実性を定量化する。 我々は、目標QAモデルの通過効率を予測するために軽量ニューラルネットワークを訓練し、単純な情報理論のメトリクスが解の正しさをある程度予測できる一方で、より高価なサンプリングベースの手法を効率的に近似または上回ることを示す。
  論文  参考訳（メタデータ） (2025-02-25T11:24:52Z)
• Passage-specific Prompt Tuning for Passage Reranking in Question Answering with Large Language Models [11.716595438057997]
  オープンドメイン質問応答(PSPT)における再ランク付けのためのパス固有プロンプトチューニングを提案する。 PSPTは、学習可能なパス固有のソフトプロンプトを微調整するパラメータ効率の手法である。 我々は,Llama-2-chat-7Bモデルを用いた3つの公開領域質問応答データセットの広範な実験を行った。
  論文  参考訳（メタデータ） (2024-05-31T07:43:42Z)
• Modeling Multi-hop Question Answering as Single Sequence Prediction [88.72621430714985]
  本稿では,単純な生成手法(PathFid)を提案する。 PathFidは、マルチホップ質問に対する回答を解決するための推論プロセスを明示的にモデル化する。 実験の結果,PathFidは2つのマルチホップQAデータセットに対して高い性能向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-05-18T21:57:59Z)
• Joint Passage Ranking for Diverse Multi-Answer Retrieval [56.43443577137929]
  質問に対する複数の異なる回答をカバーするために、パスの取得を必要とする探索不足の問題であるマルチアンサー検索について検討する。 モデルが別の有効な答えを逃す費用で同じ答えを含む通路を繰り返すべきではないので、このタスクは、検索された通路の共同モデリングを必要とします。 本稿では,再順位に着目したジョイントパス検索モデルであるJPRを紹介する。 回収された通路の合同確率をモデル化するために、JPRは、新しい訓練および復号アルゴリズムを備えた通路のシーケンスを選択する自動回帰リタイナを利用する。
  論文  参考訳（メタデータ） (2021-04-17T04:48:36Z)

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。