論文の概要: CogRAG+: Cognitive-Level Guided Diagnosis and Remediation of Memory and Reasoning Deficiencies in Professional Exam QA

• arxiv url: http://arxiv.org/abs/2604.25928v1
• Date: Wed, 01 Apr 2026 13:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.226913
• Title: CogRAG+: Cognitive-Level Guided Diagnosis and Remediation of Memory and Reasoning Deficiencies in Professional Exam QA
• Title（参考訳）: CogRAG+:プロフェッショナルエクサムQAにおける記憶障害の認知レベル診断と治療
• Authors: Xudong Wang, Zilong Wang, Zhaoyan Ming,
• Abstract要約: CogRAG+は、検索強化生成パイプラインと人間の認知階層を分離、調整する、トレーニング不要のフレームワークである。 我々は,CagRAG+が,登録栄養士資格試験において汎用モデルと標準RAG法を一貫して上回っていることを示す。
• 参考スコア（独自算出の注目度）: 13.324231386098042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Professional domain knowledge underpins human civilization, serving as both the basis for industry entry and the core of complex decision-making and problem-solving. However, existing large language models often suffer from opaque inference processes in which retrieval and reasoning are tightly entangled, causing knowledge gaps and reasoning inconsistencies in professional tasks. To address this, we propose CogRAG+, a training-free framework that decouples and aligns the retrieval-augmented generation pipeline with human cognitive hierarchies. First, we introduce Reinforced Retrieval, a judge-driven dual-path strategy with fact-centric and option-centric paths that strengthens retrieval and mitigates cascading failures caused by missing foundational knowledge. We then develop cognition-stratified Constrained Reasoning, which replaces unconstrained chain-of-thought generation with structured templates to reduce logical inconsistency and generative redundancy. Experiments on two representative models, Qwen3-8B and Llama3.1-8B, show that CogRAG+ consistently outperforms general-purpose models and standard RAG methods on the Registered Dietitian qualification exam. In single-question mode, it raises overall accuracy to 85.8\% for Qwen3-8B and 60.3\% for Llama3.1-8B, with clear gains over vanilla baselines. Constrained Reasoning also reduces the unanswered rate from 7.6\% to 1.4\%. CogRAG+ offers a robust, model-agnostic path toward training-free expert-level performance in specialized domains.
• Abstract（参考訳）: 専門分野の知識は人間の文明を支え、産業参入の基礎と複雑な意思決定と問題解決の核となる。 しかし、既存の大規模言語モデルは、検索と推論が密接に絡み合っている不透明な推論プロセスに悩まされ、知識のギャップと専門的なタスクにおける推論の不整合を引き起こす。 これを解決するために、我々はCagRAG+というトレーニング不要のフレームワークを提案し、人間の認知階層と検索強化された生成パイプラインを分離し整列する。 まず,判断駆動型デュアルパス戦略であるReinforced Retrievalを紹介する。 そこで我々は,制約のない連鎖生成を構造化テンプレートに置き換え,論理的不整合と生成冗長性を低減させる,認知階層化制約推論を開発する。 2つの代表的なモデルであるQwen3-8BとLlama3.1-8Bの実験により、CagRAG+は、登録食生活試験における汎用モデルと標準RAG法を一貫して上回っていることが示された。 シングルクエストモードでは、Qwen3-8Bでは85.8\%、Llama3.1-8Bでは60.3\%、バニラベースラインでは明確な利得となる。 制限された推論は、未回答のレートを7.6\%から1.4\%に下げる。 CogRAG+は、専門分野におけるトレーニング不要のエキスパートレベルのパフォーマンスに向けて、堅牢でモデルに依存しないパスを提供する。

関連論文リスト

• Reason and Verify: A Framework for Faithful Retrieval-Augmented Generation [0.0]
  本稿では,明示的なレアソニングと忠実度検証を統合したドメイン固有RAGフレームワークを提案する。 我々のアーキテクチャは、ニューラルネットワークの書き換え、BGEベースのクロスエンコーダのランク付け、合理生成モジュールによる標準検索を強化する。 我々は、このフレームワークをBioASQとPubMedQAベンチマークで評価し、動的インコンテキスト学習の影響を具体的に分析する。
  論文  参考訳（メタデータ） (2026-03-10T18:25:07Z)
• Evaluating and Enhancing the Vulnerability Reasoning Capabilities of Large Language Models [15.849480549367684]
  本稿では,DAG生成タスクとして脆弱性推論をモデル化する新しいフレームワークであるDAGVulを提案する。 さらにReinforcement Learning with Verifiable Rewards (RLVR)を導入することで、モデル推論トレースをプログラム固有の論理と整合させる。 我々のフレームワークは、すべてのベースラインに対して平均18.9%の推論F1スコアを改善します。
  論文  参考訳（メタデータ） (2026-02-06T13:19:45Z)
• Search-R2: Enhancing Search-Integrated Reasoning via Actor-Refiner Collaboration [49.9937230730202]
  本稿では,新たなアクター・リファイナ・コラボレーション・フレームワークであるSearch-R2を提案する。 提案手法は,生成過程をアクターに分解し,最初の推論軌道を生成する。 本稿では,検索-R2がモデルスケール全体にわたって強力なRAGとRLベースのベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-03T15:32:09Z)
• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• LIR$^3$AG: A Lightweight Rerank Reasoning Strategy Framework for Retrieval-Augmented Generation [12.734342155120979]
  RAGマルチホップQAタスクにおける推論モデルの推論戦略について検討する。 その結果, 推論モデルでは, 検索知識と内部知識を統合化するための構造化戦略が採用されていることがわかった。 本稿では,RAGのための軽量Rerank Reasoning Strategy Frameworkを提案する。
  論文  参考訳（メタデータ） (2025-12-20T11:53:37Z)
• From Sufficiency to Reflection: Reinforcement-Guided Thinking Quality in Retrieval-Augmented Reasoning for LLMs [13.410543801811992]
  本稿では既存のRAG推論モデルを分析し,3つの障害パターンを同定する。 本稿では,思考検索と多次元報酬システムを用いた新しいフレームワークTIRESRAG-R1を提案する。 4つのマルチホップQAデータセットの実験により、TIRESRAG-R1はRAG法よりも優れており、シングルホップタスクに適していることが示された。
  論文  参考訳（メタデータ） (2025-07-30T14:29:44Z)
• 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)

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。