論文の概要: SEARCH-R: Structured Entity-Aware Retrieval with Chain-of-Reasoning Navigator for Multi-hop Question Answering

• arxiv url: http://arxiv.org/abs/2604.24515v1
• Date: Mon, 27 Apr 2026 14:17:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.073458
• Title: SEARCH-R: Structured Entity-Aware Retrieval with Chain-of-Reasoning Navigator for Multi-hop Question Answering
• Title（参考訳）: SEARCH-R:マルチホップ質問応答のためのチェインオブ推論ナビゲータを用いた構造化エンティティ認識検索
• Authors: Yuqing Fu, Yimin Deng, Wanyu Wang, Yuhao Wang, Yejing Wang, Hongshi Liu, Yiqi Wang, Xiao Han, Maolin Wang, Guoshuai Zhao, Yi Chang, Xiangyu Zhao,
• Abstract要約: マルチホップ質問回答は多段階推論を必要とする質問に答えることを目的としている。 正しい推論パスを生成し、重要な知識を正確に取得する。 本稿では,SEARCH-R という名前のChain-of-Reasoning Navigator フレームワークを用いた構造化エンティティ認識検索を提案する。
• 参考スコア（独自算出の注目度）: 41.04774409974965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-hop Question Answering (MHQA) aims to answer questions that require multi-step reasoning. It presents two key challenges: generating correct reasoning paths in response to the complex user queries, and accurately retrieving essential knowledge in the face of potential limitations in large language models (LLMs). Existing approaches primarily rely on prompt-based methods to generate reasoning paths, which are further combined with traditional sparse or dense retrieval to produce the final answer. However, the generation of reasoning paths commonly lacks effective control over the generative process, thus leading the reasoning astray. Meanwhile, the retrieval methods over-rely on knowledge matching or similarity scores rather than evaluating the practical utility of the information, resulting in retrieving homogeneous or non-useful information. Therefore, we propose a Structured Entity-Aware Retrieval with Chain-of-Reasoning Navigator framework named SEARCH-R. Specifically, SEARCH-R trains an end-to-end reasoning path navigator, which is able to provide a powerful sub-question decomposer by fine-tuning the Llama3.1-8B model. Moreover, a novel dependency tree-based retrieval is designed to evaluate the informational contribution of the document quantitatively. Extensive experiments on three challenging multi-hop datasets validate the effectiveness of the proposed framework. The code and dataset are available at: https://github.com/Applied-Machine-Learning-Lab/ACL2026_SEARCH-R.
• Abstract（参考訳）: MHQA(Multi-hop Question Answering)は、多段階推論を必要とする質問に答えることを目的としている。 複雑なユーザクエリに応答して正しい推論パスを生成し、大きな言語モデル(LLM)の潜在的な制限に直面した上で重要な知識を正確に取得する。 既存のアプローチは主に、推論パスを生成するためのプロンプトベースの方法に依存しており、最終的な答えを生成するために、従来のスパースや密度の高い検索と組み合わせられている。 しかし、推論経路の生成は一般的に、生成過程の効果的な制御を欠いているため、推論アストレイが導かれる。 一方,検索手法は,情報の実用性を評価するのではなく,知識マッチングや類似度スコアを過度に評価し,同質情報や非有用情報を取得する。 そこで我々は,SEARCH-R という名前のChain-of-Reasoning Navigator フレームワークを用いた構造化エンティティ対応検索手法を提案する。 具体的には、SEARCH-Rは、Llama3.1-8Bモデルを微調整することで強力なサブクエストデコンポーザを提供することができるエンドツーエンドの推論パスナビゲータを訓練している。 さらに、文書の情報的貢献を定量的に評価するために、新しい依存関係木に基づく検索を設計する。 3つの挑戦的マルチホップデータセットに関する大規模な実験により、提案フレームワークの有効性が検証された。 コードとデータセットは、https://github.com/Applied-Machine-Learning-Lab/ACL2026_SEARCH-Rで公開されている。

関連論文リスト

• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• DeepSieve: Information Sieving via LLM-as-a-Knowledge-Router [57.28685457991806]
  DeepSieveはエージェントRAGフレームワークで、LLM-as-a-knowledge-routerを介して情報を収集する。 我々の設計はモジュール性、透明性、適応性を重視しており、エージェントシステム設計の最近の進歩を活用している。
  論文  参考訳（メタデータ） (2025-07-29T17:55:23Z)
• iQUEST: An Iterative Question-Guided Framework for Knowledge Base Question Answering [9.329800077564673]
  iQUESTは、複雑なクエリを単純なサブクエリに繰り返し分解する質問誘導KBQAフレームワークである。 グラフニューラルネットワーク(GNN)を統合して、各推論ステップに2ホップ隣の情報を組み込む。
  論文  参考訳（メタデータ） (2025-06-02T15:30:02Z)
• Benchmarking Multimodal Retrieval Augmented Generation with Dynamic VQA Dataset and Self-adaptive Planning Agent [92.5712549836791]
  マルチモーダル大規模言語モデル(MLLM)に固有の「ハロシン化」問題を緩和する上で,mRAG(Multimodal Retrieval Augmented Generation)が重要な役割を果たしている。 マルチモーダル検索のための自己適応型計画エージェントOmniSearchを提案する。
  論文  参考訳（メタデータ） (2024-11-05T09:27:21Z)
• TRACE the Evidence: Constructing Knowledge-Grounded Reasoning Chains for Retrieval-Augmented Generation [30.485127201645437]
  本稿では,RAGモデルのマルチホップ推論能力を高めるためにTRACEを提案する。 TRACEは、論理的に連結された一連の知識三重項である知識基底推論連鎖を構成する。 TRACEは、取得したすべてのドキュメントと比較して、平均14.03%の性能向上を実現している。
  論文  参考訳（メタデータ） (2024-06-17T12:23:32Z)
• 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。