Fugu-MT 論文翻訳(概要): MultiCube-RAG for Multi-hop Question Answering

論文の概要: MultiCube-RAG for Multi-hop Question Answering

arxiv url: http://arxiv.org/abs/2602.15898v1
Date: Wed, 11 Feb 2026 18:54:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-19 15:58:30.37675
Title: MultiCube-RAG for Multi-hop Question Answering
Title（参考訳）: マルチホップ質問応答のためのMultiCube-RAG
Authors: Jimeng Shi, Wei Hu, Runchu Tian, Bowen Jin, Wonbin Kweon, SeongKu Kang, Yunfan Kang, Dingqi Ye, Sizhe Zhou, Shaowen Wang, Jiawei Han,
Abstract要約: マルチホップ質問応答には、相互接続された主題、属性、関係性にまたがる多段階の推論と検索が必要である。既存の検索拡張生成法(RAG)は、これらの構造的意味論を正確に捉えるのに苦労する。多段階推論と検索のための複数立方体からなる学習自由度手法であるMultiCube-RAGを提案する。
参考スコア（独自算出の注目度）: 37.689295900827155
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-hop question answering (QA) necessitates multi-step reasoning and retrieval across interconnected subjects, attributes, and relations. Existing retrieval-augmented generation (RAG) methods struggle to capture these structural semantics accurately, resulting in suboptimal performance. Graph-based RAGs structure such information in graphs, but the resulting graphs are often noisy and computationally expensive. Moreover, most methods rely on single-step retrieval, neglecting the need for multi-hop reasoning processes. Recent training-based approaches attempt to incentivize the large language models (LLMs) for iterative reasoning and retrieval, but their training processes are prone to unstable convergence and high computational overhead. To address these limitations, we devise an ontology-based cube structure with multiple and orthogonal dimensions to model structural subjects, attributes, and relations. Built on the cube structure, we propose MultiCube-RAG, a training-free method consisting of multiple cubes for multi-step reasoning and retrieval. Each cube specializes in modeling a class of subjects, so that MultiCube-RAG flexibly selects the most suitable cubes to acquire the relevant knowledge precisely. To enhance the query-based reasoning and retrieval, our method decomposes a complex multi-hop query into a set of simple subqueries along cube dimensions and conquers each of them sequentially. Experiments on four multi-hop QA datasets show that MultiCube-RAG improves response accuracy by 8.9% over the average performance of various baselines. Notably, we also demonstrate that our method performs with greater efficiency and inherent explainability.
Abstract（参考訳）: マルチホップ質問応答 (Multi-hop question answering, QA) は、相互接続された主題、属性、関係性にまたがる多段階推論と検索を必要とする。既存の検索拡張生成法(RAG)は、これらの構造的意味論を正確に捉えるのに苦労し、最適以下の性能をもたらす。グラフベースのRAGはそのような情報をグラフで構成するが、結果として得られるグラフはしばしばノイズが多く、計算コストが高い。さらに、ほとんどの手法はシングルステップの検索に依存しており、マルチホップ推論プロセスの必要性を無視している。最近のトレーニングベースアプローチでは、反復的推論と検索のために大きな言語モデル(LLM)をインセンティブ付けしようとするが、そのトレーニングプロセスは不安定な収束と高い計算オーバーヘッドを引き起こす。これらの制約に対処するために、構造対象、属性、関係をモデル化するために、複数次元および直交次元のオントロジーに基づく立方体構造を考案する。立方体構造上に構築されたMultiCube-RAGは,多段階推論と検索のための複数立方体からなる学習自由な手法である。各立方体は、対象のクラスをモデル化することに特化したため、MultiCube-RAGは、関連する知識を正確に取得するために最も適切な立方体を柔軟に選択する。クエリに基づく推論と検索を強化するため,本手法では,複雑なマルチホップクエリを,立方体次元に沿った単純なサブクエリの集合に分解し,それぞれを逐次征服する。 4つのマルチホップQAデータセットの実験により、MultiCube-RAGは、様々なベースラインの平均性能よりも、応答精度を8.9%向上することが示された。また,本手法はより効率が高く,本質的な説明可能性も高いことを示す。

関連論文リスト

The benefits of query-based KGQA systems for complex and temporal questions in LLM era [55.20230501807337]
大規模言語モデルは質問回答(QA)に優れていますが、マルチホップ推論や時間的質問には苦戦しています。クエリベースの知識グラフ QA (KGQA) は、直接回答の代わりに実行可能なクエリを生成するモジュール形式の代替手段を提供する。 WikiData QAのためのマルチステージクエリベースのフレームワークについて検討し、課題のあるマルチホップと時間ベンチマークのパフォーマンスを向上させるマルチステージアプローチを提案する。
論文参考訳（メタデータ） (2025-07-16T06:41:03Z)
Resource-Friendly Dynamic Enhancement Chain for Multi-Hop Question Answering [21.077964610022313]
この研究はDEC(Dynamic Enhancement Chain)と呼ばれる新しいフレームワークを提案する。 DECはまず複雑な質問を論理的に一貫性のあるサブクエストに分解し、幻覚のない推論連鎖を形成する。その後、コンテキスト対応の書き換えによってこれらのサブクエストを反復的に洗練し、効率的なクエリの定式化を生成する。
論文参考訳（メタデータ） (2025-06-21T11:55:27Z)
GRITHopper: Decomposition-Free Multi-Hop Dense Retrieval [52.47514434103737]
GRITHopper-7Bは,最先端性能を実現する新しいマルチホップ高密度検索モデルである。 GRITHopperは、因果言語モデリングと密集した検索訓練を統合することで、生成的および表現的命令チューニングを組み合わせる。検索後言語モデリングと呼ばれる検索プロセスの後に追加のコンテキストを組み込むことで,検索性能が向上することがわかった。
論文参考訳（メタデータ） (2025-03-10T16:42:48Z)
Multi-granular Training Strategies for Robust Multi-hop Reasoning Over Noisy and Heterogeneous Knowledge Sources [0.0]
マルチソースマルチホップ質問応答(QA)は自然言語処理における課題である。既存の手法は、しばしばカスケードエラー、知識衝突の処理が不十分なこと、計算の非効率さに悩まされる。パラメトリックおよび検索された知識を動的に融合する適応多元的知識指向推論(AMKOR)を提案する。
論文参考訳（メタデータ） (2025-02-09T16:06:43Z)
Multimodal Multihop Source Retrieval for Web Question Answering [0.0]
この研究はマルチモーダルなマルチホップ質問応答(QA)に対する学習と推論の課題を扱う。文の意味構造に基づくグラフ推論ネットワークを提案し,多元的推論経路を学習する。
論文参考訳（メタデータ） (2025-01-07T22:53:56Z)
EfficientRAG: Efficient Retriever for Multi-Hop Question Answering [52.64500643247252]
マルチホップ質問応答のための効率的な検索器であるEfficientRAGを紹介する。実験の結果、EfficientRAGは3つのオープンドメインのマルチホップ質問応答データセット上で既存のRAG手法を超越していることがわかった。
論文参考訳（メタデータ） (2024-08-08T06:57:49Z)
PathFinder: Guided Search over Multi-Step Reasoning Paths [80.56102301441899]
木探索に基づく推論経路生成手法であるPathFinderを提案する。動的デコードの統合により、多様な分岐とマルチホップ推論を強化する。我々のモデルは、大きな分岐因子を持つビームサーチに類似した複雑さを反映して、よく、長く、目に見えない推論連鎖を一般化する。
論文参考訳（メタデータ） (2023-12-08T17:05:47Z)
UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文参考訳（メタデータ） (2022-12-02T04:08:09Z)

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。