論文の概要: GRASP: Graph Agentic Search over Propositions for Multi-hop Question Answering

• arxiv url: http://arxiv.org/abs/2605.16598v1
• Date: Fri, 15 May 2026 19:59:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.793297
• Title: GRASP: Graph Agentic Search over Propositions for Multi-hop Question Answering
• Title（参考訳）: GRASP:マルチホップ質問回答のための提案に関するグラフエージェント検索
• Authors: Stockton Jenkins, Ramya Korlakai Vinayak, Junjie Hu,
• Abstract要約: Graph Agentic Search over Propositions (GRASP)は,マルチホップ質問応答における高精度かつ最小限のトークン使用を同時に最適化するエージェントシステムである。 GRASPは、マルチホップクエリを依存性対応プランに分解することで、検索戦略を積極的に調整する。 We evaluate GRASP on MuSiQue, 2WikiMultihopQA, HotpotQA under two settings: open-corpus search and extended context reasoning (LongBench)。
• 参考スコア（独自算出の注目度）: 9.683512181435901
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic retrieval improves multi-hop question answering by giving language models autonomy to iteratively gather evidence. Recent work augments these systems with knowledge graphs for structured traversal, but this combination introduces significant cost: expensive graph construction at index time and compounding token usage at inference time. We introduce Graph Agentic Search over Propositions (GRASP), an agentic system that simultaneously optimizes for high accuracy and minimal token usage in multi-hop question answering. Rather than executing a rigid, singular query, GRASP actively coordinates its retrieval strategy by decomposing multi-hop queries into dependency-aware plans. This enables GRASP to dynamically scale the number of sub-agents according to the complexity of the problem. Each sub-agent resolves its single-hop query by exploring a novel three-layer hierarchical graph of entities, propositions, and passages, using the entity layer for targeted traversal and the proposition layer for high-recall passage retrieval via reciprocal-rank voting. We evaluate GRASP on MuSiQue, 2WikiMultihopQA, and HotpotQA under two settings: open-corpus retrieval and extended context reasoning (LongBench). GRASP achieves the highest QA accuracy in the open retrieval setting on MuSiQue and 2Wiki while using 40-50 percent fewer tokens than IRCoT+HippoRAG2. Furthermore, GRASP leads on EM and F1 across all three datasets in the LongBench setting while using 30 percent fewer tokens than the next most accurate method. Finally, we introduce success economy - the amortized token cost per correct answer, weighted by difficulty - and advocate for efficiency-aware evaluation as a standard practice for agentic QA.
• Abstract（参考訳）: エージェント検索は、言語モデルに反復的に証拠を収集する自律性を与えることにより、マルチホップ質問応答を改善する。 最近の研究は、構造化トラバーサルの知識グラフでこれらのシステムを強化しているが、この組み合わせは、インデックス時間における高価なグラフ構築と、推論時のトークン使用量の複合化という、大きなコストをもたらす。 マルチホップ質問応答において,高精度かつ最小限のトークン使用量を同時に最適化するエージェントシステムであるGRASP(Graph Agentic Search over Propositions)を導入する。 厳格で特異なクエリを実行する代わりに、GRASPは、マルチホップクエリを依存性対応プランに分解することで、検索戦略を積極的に調整する。 これにより、GRASPは問題の複雑さに応じてサブエージェント数を動的にスケールできる。 各サブエージェントは、目的トラバーサルのエンティティ層と、互選投票によるハイリコールパス検索のための提案層を用いて、エンティティ、命題、通過の3層階層的な新しいグラフを探索することにより、シングルホップクエリを解決する。 GRASP on MuSiQue, 2WikiMultihopQA, HotpotQAをオープンコーパス検索と拡張コンテキスト推論(LongBench)の2つの設定で評価した。 GRASP は IRCoT+HippoRAG2 よりも 40-50% 少ないトークンを使用しながら MuSiQue と 2Wiki のオープン検索設定において高い QA 精度を達成する。 さらに、GRASPは、LongBench設定の3つのデータセットすべてでEMとF1をリードし、次の最も正確なメソッドよりも30%少ないトークンを使用する。 最後に, エージェントQAの標準的な実践として, 効率性を考慮した評価を提唱する成功経済(正解当たりの償却トークンコスト, 難解度による重み付け)を紹介した。

関連論文リスト

• MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries [2.756584457554517]
  Map-Disambiguate-Enrich-Reduce (MDER)はコンテキスト由来の3重記述を生成し、エンティティレベルの要約と統合する。 Decompose-Resolve (DR)は、ユーザクエリを解決可能なトリプルに分解し、知識グラフに格納する。 MDERとDRはLLM駆動のQAパイプラインを形成し、スパース、不完全、複雑なリレーショナルデータに対して堅牢である。
  論文  参考訳（メタデータ） (2026-03-11T18:38:44Z)
• 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)
• StepChain GraphRAG: Reasoning Over Knowledge Graphs for Multi-Hop Question Answering [32.34277555394503]
  本稿では,BFS(Breadth-First Search)推論フローと質問分解を結合するフレームワークであるStepChain GraphRAGを紹介する。 提案手法はまず,コーパス上のグローバルインデックスを構築する。推測時には,検索したパスのみをオンザフライで解析して知識グラフを作成する。 MuSiQue、2WikiMultiHopQA、HotpotQAの実験では、StepChain GraphRAGが最先端のExact MatchとF1スコアを達成した。
  論文  参考訳（メタデータ） (2025-10-03T09:06:37Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• 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)
• Modeling Multi-hop Question Answering as Single Sequence Prediction [88.72621430714985]
  本稿では,単純な生成手法(PathFid)を提案する。 PathFidは、マルチホップ質問に対する回答を解決するための推論プロセスを明示的にモデル化する。 実験の結果,PathFidは2つのマルチホップQAデータセットに対して高い性能向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-05-18T21:57:59Z)
• Multi-hop Question Generation with Graph Convolutional Network [58.31752179830959]
  マルチホップ質問生成(Multi-hop Question Generation, QG)は,異なる段落から散在する複数の証拠を集約・推論することで,回答に関連する質問を生成することを目的とする。 複数のホップでコンテキストエンコーディングを行うMulQG(Multi-Hop volution Fusion Network for Question Generation)を提案する。 提案モデルでは,高い完全性を有する流動的な質問を生成することができ,マルチホップ評価において,最強のベースラインを20.8%向上させることができる。
  論文  参考訳（メタデータ） (2020-10-19T06:15:36Z)
• Answering Complex Open-Domain Questions with Multi-Hop Dense Retrieval [117.07047313964773]
  複雑なオープンドメインの質問に答えるために, 単純で効率的なマルチホップ高密度検索手法を提案する。 本手法では,文書間ハイパーリンクやアノテートされたエンティティマーカーなど,コーパス固有の情報へのアクセスは不要である。 提案システムでは,HotpotQA上でのベストパブリッシュ精度と,推論時の10倍の速度で,より優れた効率・精度のトレードオフも実現している。
  論文  参考訳（メタデータ） (2020-09-27T06:12:29Z)

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。