論文の概要: MASS-RAG: Multi-Agent Synthesis Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2604.18509v2
• Date: Tue, 21 Apr 2026 09:31:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 14:04:47.952166
• Title: MASS-RAG: Multi-Agent Synthesis Retrieval-Augmented Generation
• Title（参考訳）: MASS-RAG:マルチエージェント合成検索生成
• Authors: Xingchen Xiao, Heyan Huang, Runheng Liu, Jincheng Xie,
• Abstract要約: MASS-RAGは、検索増強生成に対するマルチエージェント合成手法である。 これは、証拠の要約、証拠の抽出、回収された文書に対する推論のために異なるエージェントを適用している。 それらの出力を専用の合成段階を通して組み合わせ、最終的な答えを生成する。
• 参考スコア（独自算出の注目度）: 36.73029890123542
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large language models (LLMs) are widely used in retrieval-augmented generation (RAG) to incorporate external knowledge at inference time. However, when retrieved contexts are noisy, incomplete, or heterogeneous, a single generation process often struggles to reconcile evidence effectively. We propose \textbf{MASS-RAG}, a multi-agent synthesis approach to retrieval-augmented generation that structures evidence processing into multiple role-specialized agents. MASS-RAG applies distinct agents for evidence summarization, evidence extraction, and reasoning over retrieved documents, and combines their outputs through a dedicated synthesis stage to produce the final answer. This design exposes multiple intermediate evidence views, allowing the model to compare and integrate complementary information before answer generation. Experiments on four benchmarks show that MASS-RAG consistently improves performance over strong RAG baselines, particularly in settings where relevant evidence is distributed across retrieved contexts.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、推論時に外部知識を組み込むために、検索強化世代(RAG)で広く使われている。 しかし、検索された文脈がノイズ、不完全、不均一である場合、単一の世代プロセスは、しばしば証拠を効果的に調整するのに苦労する。 本稿では,エビデンス処理を複数のロール特殊化エージェントに構造化する検索拡張生成のためのマルチエージェント合成手法である「textbf{MASS-RAG}」を提案する。 MASS-RAGは、抽出された文書の要約、証拠抽出、推論のために異なるエージェントを適用し、その出力を専用の合成段階を通して組み合わせて最終回答を生成する。 この設計は複数の中間的エビデンスビューを公開し、モデルが回答を生成する前に補完的な情報を比較、統合できるようにする。 4つのベンチマーク実験により、MASS-RAGは強力なRAGベースライン、特に関連するエビデンスを検索されたコンテキストに分散した環境で、一貫してパフォーマンスを改善していることが示された。

関連論文リスト

• MiRAGE: A Multiagent Framework for Generating Multimodal Multihop Question-Answer Dataset for RAG Evaluation [0.3499870393443268]
  既存のデータセットは一般的なドメインコーパスや純粋にテキスト検索に依存していることが多い。 RAGシステム評価のためのMultiagentフレームワークであるMiRAGEを紹介する。 MiRAGEは、検証済み、ドメイン固有、マルチモーダル、マルチホップ質問応答データセットを生成するために、専門エージェントの群を編成する。
  論文  参考訳（メタデータ） (2026-01-21T21:39:09Z)
• RouteRAG: Efficient Retrieval-Augmented Generation from Text and Graph via Reinforcement Learning [69.87510139069218]
  Retrieval-Augmented Generation (RAG)は、非パラメトリック知識をLarge Language Models (LLM)に統合する 強化学習(RL)による多ターン推論へのテキストベースRAGの進歩 LLMがマルチターンおよび適応的なグラフテキストハイブリッドRAGを実現するためのRLベースのフレームワークであるモデルを導入する。
  論文  参考訳（メタデータ） (2025-12-10T10:05:31Z)
• HiEAG: Evidence-Augmented Generation for Out-of-Context Misinformation Detection [8.609016163081744]
  外部整合性チェックを改良する新しい階層的エビデンス拡張生成フレームワークであるHiEAGを提案する。 提案手法では,外部整合性チェックを総合的なエンジンパイプラインに分解する。 提案手法は, 判断の説明を可能にし, 命令調律による印象的な性能を実現する。
  論文  参考訳（メタデータ） (2025-11-18T01:11:48Z)
• 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)
• ImpRAG: Retrieval-Augmented Generation with Implicit Queries [34.72864597562907]
  ImpRAGは、検索と生成を統一モデルに統合するクエリフリーなRAGシステムである。 我々は、ImpRAGが、多様な形式を持つ未確認タスクの正確なマッチスコアを3.6-11.5改善したことを示す。
  論文  参考訳（メタデータ） (2025-06-02T21:38:21Z)
• MA-RAG: Multi-Agent Retrieval-Augmented Generation via Collaborative Chain-of-Thought Reasoning [36.3918410061572]
  MA-RAGは、複雑な情報探索タスクにおける固有の曖昧さと推論の問題に対処する。 エンドツーエンドの微調整や分離されたコンポーネント拡張に依存する従来のRAGメソッドとは異なり、MA-RAGは特別なAIエージェントの協調的なセットを編成する。 本結果は,検索強化システムにおける協調的,モジュール型推論の有効性を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-05-26T15:05:18Z)
• UniversalRAG: Retrieval-Augmented Generation over Corpora of Diverse Modalities and Granularities [53.76854299076118]
  UniversalRAGは異種情報源からの知識を多様さと粒度で検索・統合するための新しいRAGフレームワークである。 本稿では,最も適切なモダリティ固有コーパスを動的に識別し,その内部でターゲット検索を行うモダリティ対応ルーティング機構を提案する。 マルチモーダル性にまたがる8つのベンチマークでUniversalRAGを検証する。
  論文  参考訳（メタデータ） (2025-04-29T13:18:58Z)
• A Survey of Multimodal Retrieval-Augmented Generation [3.9616308910160445]
  MRAG(Multimodal Retrieval-Augmented Generation)は、マルチモーダルデータ(テキスト、画像、ビデオ)を検索および生成プロセスに統合することにより、大規模言語モデル(LLM)を強化する。 近年の研究では、MRAGは視覚とテキストの両方の理解を必要とするシナリオにおいて、従来の検索・拡張生成(RAG)よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2025-03-26T02:43:09Z)

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。