論文の概要: PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering

• arxiv url: http://arxiv.org/abs/2603.29085v1
• Date: Mon, 30 Mar 2026 23:52:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.95029
• Title: PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering
• Title（参考訳）: PAR$^2$-RAG:マルチホップ質問応答のためのアクティブ検索と推論の計画
• Authors: Xingyu Li, Rongguang Wang, Yuying Wang, Mengqing Guo, Chenyang Li, Tao Sheng, Sujith Ravi, Dan Roth,
• Abstract要約: 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$2-RAG)を提案する。
• 参考スコア（独自算出の注目度）: 57.89576196160413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) remain brittle on multi-hop question answering (MHQA), where answering requires combining evidence across documents through retrieval and reasoning. Iterative retrieval systems can fail by locking onto an early low-recall trajectory and amplifying downstream errors, while planning-only approaches may produce static query sets that cannot adapt when intermediate evidence changes. We propose \textbf{Planned Active Retrieval and Reasoning RAG (PAR$^2$-RAG)}, a two-stage framework that separates \emph{coverage} from \emph{commitment}. PAR$^2$-RAG first performs breadth-first anchoring to build a high-recall evidence frontier, then applies depth-first refinement with evidence sufficiency control in an iterative loop. Across four MHQA benchmarks, PAR$^2$-RAG consistently outperforms existing state-of-the-art baselines, compared with IRCoT, PAR$^2$-RAG achieves up to \textbf{23.5\%} higher accuracy, with retrieval gains of up to \textbf{10.5\%} in NDCG.
• Abstract（参考訳）: 大規模言語モデル (LLM) はマルチホップ質問応答 (MHQA) において脆弱なままであり、解答には検索と推論を通じて文書間で証拠を組み合わせる必要がある。 反復的な検索システムは、初期の低リコール軌道にロックし、下流のエラーを増幅することで失敗するが、計画のみのアプローチでは中間的な証拠が変化しても適応できない静的なクエリセットを生成することができる。 本稿では, \emph{coverage} を \emph{commitment} から分離する2段階フレームワークである \textbf{Planned Active Retrieval and Reasoning RAG (PAR$^2$-RAG)} を提案する。 PAR$^2$-RAGはまず、ハイリコールエビデンスフロンティアを構築するために幅優先アンカリングを行い、次に、イテレーティブループでエビデンスを十分制御したディープファースト精製を適用する。 MHQAの4つのベンチマークで、PAR$^2$-RAGは既存の最先端ベースラインをIRCoTと比較して一貫して上回り、PAR$^2$-RAGは NDCG で \textbf{23.5\%} まで高い精度で取得できる。

関連論文リスト

• TaSR-RAG: Taxonomy-guided Structured Reasoning for Retrieval-Augmented Generation [17.21708416305234]
  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。
  論文  参考訳（メタデータ） (2026-03-10T08:16:36Z)
• Replace, Don't Expand: Mitigating Context Dilution in Multi-Hop RAG via Fixed-Budget Evidence Assembly [1.2891210250935148]
  RAGシステムは、初期検索がブリッジ事実を見逃した場合に、マルチホップクエリーで失敗することが多い。 我々は,textbfreplaceを採用したトレーニングフリーのコントローラである textbfSEAL-RAG を提案する。 共有環境における基本RAG,CRAG,Self-RAG,Adaptive-$k$の忠実な再実装に対するSEAL-RAGの評価を行った。
  論文  参考訳（メタデータ） (2025-12-11T16:31:29Z)
• Evaluating Retrieval-Augmented Generation Systems on Unanswerable, Uncheatable, Realistic, Multi-hop Queries [53.99620546358492]
  実世界のユースケースでは、複雑なクエリを持つRAGシステムが存在し、関連する情報がコーパスから欠落したり、不完全であったりすることが多い。 既存のRAGベンチマークは、マルチホップやスコープ外の質問に対して、現実的なタスクの複雑さを反映することはめったにない。 un$underlinec$heatable, $underliner$ealistic, $underlineu$nanswerable, $underlinem$ulti-hopの自動生成のための最初のパイプラインを提示する。
  論文  参考訳（メタデータ） (2025-10-13T21:38:04Z)
• Beyond Chunks and Graphs: Retrieval-Augmented Generation through Triplet-Driven Thinking [31.73448933991891]
  Retrieval-augmented Generation(RAG)は、幻覚を減らし、外部知識をLarge Language Models(LLM)に組み込むために重要である。 T$2$RAGは、原子三重項の単純でグラフのない知識ベースで動作する新しいフレームワークである。 実験結果から,T$2$RAGは最先端のマルチラウンド法とグラフRAG法を著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-08-04T13:50:44Z)
• R3-RAG: Learning Step-by-Step Reasoning and Retrieval for LLMs via Reinforcement Learning [60.17074283370798]
  Retrieval-Augmented Generation (RAG)は、外部知識をLLM(Large Language Models)と統合し、事実の正しさと幻覚を高める。 我々は、 $textbfR$einforcement Learning を用いて LLM に $textbfR$eason と $textbfR$etrieve を段階的に学習させる $textbfR3-RAG$ を提案する。
  論文  参考訳（メタデータ） (2025-05-26T12:25:37Z)
• FLARE: Faithful Logic-Aided Reasoning and Exploration [47.46564769245296]
  タスク分解を用いて問題空間をトラバースする新しい手法を提案する。 我々はLarge Language Modelsを使ってソリューションを計画し、クエリを事実に軟式化し、論理プログラミングコードを使って述語する。 提案手法は,生成したコードに対する推論プロセスの忠実度を計算し,外部の解法に頼らずにマルチホップ探索のステップを解析する。
  論文  参考訳（メタデータ） (2024-10-14T19:39:11Z)

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。