論文の概要: AdaGATE: Adaptive Gap-Aware Token-Efficient Evidence Assembly for Multi-Hop Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2605.05245v1
• Date: Mon, 04 May 2026 14:45:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.30668
• Title: AdaGATE: Adaptive Gap-Aware Token-Efficient Evidence Assembly for Multi-Hop Retrieval-Augmented Generation
• Title（参考訳）: AdaGATE:マルチホップ検索拡張ジェネレーションのための適応型ギャップ対応トークン有効エビデンスアセンブリ
• Authors: Yilin Guo, Yinshan Wang, Yixuan Wang,
• Abstract要約: マルチホップRAGのためのトレーニング不要エビデンスコントローラであるAdaGATEを提案する。 AdaGATEは、トークン制約された修復問題としてエビデンスの選択をフレーム化している。 AdaGATE on HotpotQA under clean, redundancy, and noise injected search conditions。
• 参考スコア（独自算出の注目度）: 6.314380942821944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) remains brittle on multi-hop questions in realistic deployment settings, where retrieved evidence may be noisy or redundant and only limited context can be passed to the generator. Existing controllers address parts of this problem, but typically either expand context additively, select from a fixed top-k set, or optimize relevance without explicitly repairing missing bridge facts. We propose AdaGATE, a training-free evidence controller for multi-hop RAG that frames evidence selection as a token-constrained repair problem. AdaGATE combines entity centric gap tracking, targeted micro-query generation, and a utility based selection mechanism that balances gap coverage, corroboration, novelty, redundancy, and direct question relevance. We evaluate AdaGATE on HotpotQA under clean, redundancy, and noise injected retrieval conditions. Across all three settings, AdaGATE achieves the best evidence F1 among the compared controllers, reaching 62.3% on clean data and 71.2% under redundancy injection, while using 2.6x fewer input tokens than Adaptive-k. These results suggest that explicit gap-aware repair, combined with token-efficient evidence selection, improves robustness in multi-hop RAG under imperfect retrieval. Our code and evaluation pipeline are available at https://github.com/eliguo/AdaGATE.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) は、現実的な配置設定においてマルチホップ質問に対して脆弱であり、検索されたエビデンスにはノイズや冗長性があり、限られたコンテキストのみがジェネレータに渡すことができる。 既存のコントローラは、この問題の一部に対処するが、通常はコンテキストを付加的に拡張し、固定されたトップkセットから選択するか、あるいは、行方不明のブリッジ事実を明示的に修復することなく、関連性を最適化する。 本稿では,マルチホップRAGのためのトレーニング不要エビデンスコントローラであるAdaGATEを提案する。 AdaGATEは、エンティティ中心のギャップトラッキング、ターゲットとするマイクロクエリ生成、およびギャップカバレッジ、コロンボレーション、新規性、冗長性、直接的な質問関連性のバランスをとるユーティリティベースの選択メカニズムを組み合わせる。 AdaGATE on HotpotQA under clean, redundancy, and noise injected search conditions。 これら3つの設定の中で、AdaGATEは比較したコントローラの中で最高のエビデンスF1を達成し、清潔なデータでは62.3%、冗長なインジェクションでは71.2%に達し、Adaptive-kよりも2.6倍少ない入力トークンを使用する。 これらの結果から,トークン効率の高いエビデンス選択と組み合わさった明示的なギャップ認識修復は,不完全検索下でのマルチホップRAGの堅牢性を向上させることが示唆された。 コードと評価パイプラインはhttps://github.com/eliguo/AdaGATE.comで公開されています。

関連論文リスト

• S2G-RAG: Structured Sufficiency and Gap Judging for Iterative Retrieval-Augmented QA [20.283357470094774]
  本稿では,S2G-RAG(Structured Sufficiency and Gap-judging RAG)を提案する。 各ターンで、S2G-Judgeは、現在のエビデンスメモリが応答をサポートするかどうかを予測し、もしそうでなければ、不足した情報を記述した構造化されたギャップアイテムを出力する。 これらのギャップ項目は次のクエリにマッピングされ、安定したマルチターン検索トラジェクトリを生成する。
  論文  参考訳（メタデータ） (2026-04-26T16:17:54Z)
• R$^3$AG: Retriever Routing for Retrieval-Augmented Generation [59.47703698994575]
  R$3$AGは、検索機能を2つの学習可能なディメンション、すなわち検索品質と生成ユーティリティに分解する。 R$3$AGは、最高の個々のレトリバーと最先端の静的ルーティングメソッドの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-22T06:51:20Z)
• Skill-RAG: Failure-State-Aware Retrieval Augmentation via Hidden-State Probing and Skill Routing [12.09179106162719]
  本稿では,隠れ状態のプローバとプロンプトベースのスキルルータを結合した障害対応RAGフレームワークであるSkill-RAGを提案する。 実験により,Skill-RAGは多ターン検索後に持続するハードケースの精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2026-04-17T07:25:43Z)
• Rethinking the Reranker: Boundary-Aware Evidence Selection for Robust Retrieval-Augmented Generation [64.09110141948693]
  Retrieval-Augmented Generation (RAG) システムは、現実的な検索ノイズの下でも不安定である。 そこで我々は,BAR-RAGを提案する。このBAR-RAGは,発電機のGoldilocks Zoneをターゲットとした境界認識型エビデンスセレクタである。 Bar-RAGはノイズ検索において、エンドツーエンドのパフォーマンスを一貫して改善する。
  論文  参考訳（メタデータ） (2026-02-03T16:08:23Z)
• Less is More for RAG: Information Gain Pruning for Generator-Aligned Reranking and Evidence Selection [26.57845149504473]
  RAGは、外部のエビデンスを持つ大きな言語モデルを基盤としているが、限られたコンテキスト予算の下では、どのパスを注入すべきかを判断することが重要な課題である。 検索関連度指標は, エンドツーエンドQA品質と相関が低く, マルチパスインジェクションにおいて負の相関が生じることも示している。 このモジュールは,ジェネレータに整列したユーティリティ信号を用いてエビデンスを選択し,切断前に弱い経路や有害経路をフィルタリングする。
  論文  参考訳（メタデータ） (2026-01-24T17:14:10Z)
• Decide Then Retrieve: A Training-Free Framework with Uncertainty-Guided Triggering and Dual-Path Retrieval [15.463220134915462]
  本稿では,検索に必要なタイミングと外部情報の選択方法を適応的に決定する学習自由フレームワークを提案する。 5つのオープンドメインのQAベンチマーク、複数のモデルスケール、異なるレトリバーによる実験では、Decide Then Retrieveが標準RAGよりもEMとF1を一貫して改善していることが示されている。
  論文  参考訳（メタデータ） (2026-01-07T13:20:59Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• 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)
• Reinforcing Video Reasoning with Focused Thinking [65.85683941058916]
  本稿では,集中的思考と深い報酬の粒度で視覚的推論を強化する新しいフレームワークであるTW-GRPOを提案する。 具体的には,高情報密度のトークンを優先するトークン重み付け機構を用いる。 また,シングルチョイスからマルチチョイスQAタスクにシフトすることで,RLトレーニングを再構築する。
  論文  参考訳（メタデータ） (2025-05-30T15:42:19Z)

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。