論文の概要: TaSR-RAG: Taxonomy-guided Structured Reasoning for Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2603.09341v1
• Date: Tue, 10 Mar 2026 08:16:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.145808
• Title: TaSR-RAG: Taxonomy-guided Structured Reasoning for Retrieval-Augmented Generation
• Title（参考訳）: TaSR-RAG:分類誘導型構造推論
• Abstract要約: textscTaSR-RAGは、エビデンス選択のための分類誘導構造推論フレームワークである。 textscTaSR-RAGは、強いRAGと構造化RAGベースラインを最大14%上回っている。
• 参考スコア（独自算出の注目度）: 17.21708416305234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) helps large language models (LLMs) answer knowledge-intensive and time-sensitive questions by conditioning generation on external evidence. However, most RAG systems still retrieve unstructured chunks and rely on one-shot generation, which often yields redundant context, low information density, and brittle multi-hop reasoning. While structured RAG pipelines can improve grounding, they typically require costly and error-prone graph construction or impose rigid entity-centric structures that do not align with the query's reasoning chain. We propose \textsc{TaSR-RAG}, a taxonomy-guided structured reasoning framework for evidence selection. We represent both queries and documents as relational triples, and constrain entity semantics with a lightweight two-level taxonomy to balance generalization and precision. Given a complex question, \textsc{TaSR-RAG} decomposes it into an ordered sequence of triple sub-queries with explicit latent variables, then performs step-wise evidence selection via hybrid triple matching that combines semantic similarity over raw triples with structural consistency over typed triples. By maintaining an explicit entity binding table across steps, \textsc{TaSR-RAG} resolves intermediate variables and reduces entity conflation without explicit graph construction or exhaustive search. Experiments on multiple multi-hop question answering benchmarks show that \textsc{TaSR-RAG} consistently outperforms strong RAG and structured-RAG baselines by up to 14\%, while producing clearer evidence attribution and more faithful reasoning traces.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、大規模言語モデル(LLM)が外部証拠を条件付けすることで、知識集約的で時間に敏感な質問に答えるのを支援する。 しかしながら、ほとんどのRAGシステムは依然として構造化されていないチャンクを検索し、1ショット生成に依存しており、冗長なコンテキスト、低情報密度、脆弱なマルチホップ推論をもたらすことが多い。 構造化されたRAGパイプラインはグラウンディングを改善することができるが、通常、コストが高く、エラーを起こしやすいグラフの構築や、クエリの推論チェーンと整合しない厳密なエンティティ中心の構造を課す必要がある。 本稿では,エビデンス選択のための分類指導型構造化推論フレームワークであるtextsc{TaSR-RAG}を提案する。 我々は、クエリとドキュメントの両方をリレーショナルトリプルとして表現し、エンティティのセマンティクスを2段階の軽量な分類法で制約し、一般化と精度のバランスをとる。 複雑な質問が与えられたとき、 \textsc{TaSR-RAG} は三重サブクエリの順序列と明示的な潜伏変数を分解し、次に、三重三重の意味的類似性と型付き三重の構造的整合性を組み合わせたハイブリッド三重マッチングによるステップワイズエビデンス選択を行う。 ステップ間で明示的なエンティティバインディングテーブルを維持することにより、 \textsc{TaSR-RAG} は中間変数を解決し、明示的なグラフ構築や網羅的な探索なしにエンティティの衝突を低減する。 複数のマルチホップ質問応答ベンチマークの実験では、 \textsc{TaSR-RAG} は強いRAGと構造化RAGのベースラインを最大14 %上回り、より明確なエビデンス属性とより忠実な推論トレースを生成する。

関連論文リスト

• Hierarchical Evidence-Driven Reasoning for Long Document Understanding [95.51688464037096]
  閉領域文書理解のための階層的・エビデンス駆動型マルチモーダルRAGフレームワークであるHIEVI-RAGを紹介する。 我々のフレームワークは、既存のオープンソースベースラインを著しく上回り、最強の報告ベースラインを平均8.05%の精度で上回ります。
  論文  参考訳（メタデータ） (2026-07-06T03:08:28Z)
• Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs [55.78708003681562]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、生成時に外部知識を取り入れることで緩和する。 既存のRAGアプローチは通常、コンテキストとしてテキストフラグメントを検索し、非構造化する。 本稿では,三重項に基づく検索フレームワークTri-RAGを提案する。
  論文  参考訳（メタデータ） (2026-04-14T11:36:29Z)
• Knowledge Is Not Static: Order-Aware Hypergraph RAG for Language Models [22.663638862390467]
  本稿では,秩序を一級構造特性として扱う秩序認識知識ハイパーグラフRAGを提案する。 OKH-RAGは、先行構造を付加したハイパーグラフ内の高次相互作用として知識を表す。 我々は, 熱帯サイクロンや港湾運用シナリオなど, 秩序感性質問応答および説明課題におけるOKH-RAGの評価を行った。
  論文  参考訳（メタデータ） (2026-04-14T01:31:35Z)
• CodaRAG: Connecting the Dots with Associativity Inspired by Complementary Learning [50.98972985136333]
  CodaRAGは、受動的検索からアクティブな連想発見へと進化するフレームワークである。 CodaRAGは、検索リコールで7-10%、生成精度で3-11%という絶対的なゲインを達成する。
  論文  参考訳（メタデータ） (2026-04-12T02:50:40Z)
• PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering [57.89576196160413]
  大規模言語モデル (LLM) はマルチホップ質問応答 (MHQA) において脆弱のままである。 textbfPlanned Active Retrieval and Reasoning RAG (PAR$2-RAG)を提案する。
  論文  参考訳（メタデータ） (2026-03-30T23:52:54Z)
• MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries [2.756584457554517]
  Map-Disambiguate-Enrich-Reduce (MDER)はコンテキスト由来の3重記述を生成し、エンティティレベルの要約と統合する。 Decompose-Resolve (DR)は、ユーザクエリを解決可能なトリプルに分解し、知識グラフに格納する。 MDERとDRはLLM駆動のQAパイプラインを形成し、スパース、不完全、複雑なリレーショナルデータに対して堅牢である。
  論文  参考訳（メタデータ） (2026-03-11T18:38:44Z)
• Hierarchical Sequence Iteration for Heterogeneous Question Answering [27.22775290181187]
  本稿では,文書,表,知識グラフを可逆的階層列に線形化する統一フレームワークであるHSEQを紹介する。 HotpotQA(テキスト)、HybridQA/TAT-QA(テーブル+テキスト)、MetaQA(KG)の実験では、強いシングルパス、マルチホップ、エージェントRAGベースラインを高い効率で一貫したEM/F1が得られた。
  論文  参考訳（メタデータ） (2025-10-23T12:48:18Z)
• SUBQRAG: Sub-Question Driven Dynamic Graph RAG [34.20328335590984]
  SubQRAGは、推論深度を高めるサブクエスト駆動のフレームワークである。 SubQRAGは複雑な質問を検証可能なサブクエストの順序付けられた連鎖に分解する。 3つのマルチホップQAベンチマークの実験では、SubQRAGが一貫性と大幅な改善を実現している。
  論文  参考訳（メタデータ） (2025-10-09T02:55:58Z)
• TableRAG: A Retrieval Augmented Generation Framework for Heterogeneous Document Reasoning [7.706148486477738]
  Retrieval-Augmented Generation (RAG) は、オープンドメイン質問応答においてかなりの効果を示した。 既存のRAGアプローチでは、異種文書に適用する場合に限界がある。
  論文  参考訳（メタデータ） (2025-06-12T06:16:49Z)
• 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)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• CORG: Generating Answers from Complex, Interrelated Contexts [57.213304718157985]
  現実世界のコーパスでは、知識は文書間で頻繁に再帰するが、曖昧な命名、時代遅れの情報、エラーのためにしばしば矛盾を含む。 以前の研究では、言語モデルはこれらの複雑さに苦しむことが示されており、典型的には孤立した単一要因に焦点を当てている。 複数のコンテキストを個別に処理されたグループに整理するフレームワークであるContext Organizer (CORG)を紹介する。
  論文  参考訳（メタデータ） (2025-04-25T02:40:48Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(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。 RAGパイプラインは、モデル推論が得られ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。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• SiReRAG: Indexing Similar and Related Information for Multihop Reasoning [96.60045548116584]
  SiReRAGは、類似情報と関連する情報の両方を明示的に考慮する新しいRAGインデックス方式である。 SiReRAGは、3つのマルチホップデータセットの最先端インデックス手法を一貫して上回る。
  論文  参考訳（メタデータ） (2024-12-09T04:56:43Z)

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。