論文の概要: ConflictRAG: Detecting and Resolving Knowledge Conflicts in Retrieval Augmented Generation

• arxiv url: http://arxiv.org/abs/2605.17301v1
• Date: Sun, 17 May 2026 07:25:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.839458
• Title: ConflictRAG: Detecting and Resolving Knowledge Conflicts in Retrieval Augmented Generation
• Title（参考訳）: ConflictRAG:Retrieval Augmented Generationにおける知識紛争の検出と解決
• Authors: Chenyu Wang, Yingmin Liu, Yang Shu,
• Abstract要約: 本稿では,回答生成に先立って知識衝突を検出し,分類し,解決する競合対応RAGフレームワークであるConflictRAGを提案する。 このフレームワークは、90.8%の検出精度を維持しながら、APIコストを62%削減する。
• 参考スコア（独自算出の注目度）: 10.475475632969799
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) systems implicitly assume mutual consistency among retrieved documents -- an assumption that frequently fails in practice. We present ConflictRAG, a conflict-aware RAG framework that detects, classifies, and resolves knowledge conflicts prior to answer generation. The framework introduces three contributions: (1) a two-stage conflict detection module combining a lightweight embedding-based MLP classifier with selective LLM refinement, reducing API costs by 62% while maintaining 90.8% detection accuracy; (2) an Entropy-TOPSIS framework for data-driven source credibility assessment, improving selection accuracy by 7.1% over manual heuristics; and (3) a Conflict-Aware RAG Score (CARS) for diagnostic evaluation of conflict-handling capabilities. Experiments on three benchmarks against six baselines demonstrate 88.7% conflict-detection F1 and consistent 5.3--6.1% correctness gains over the strongest conflict-aware baseline, with the pipeline transferring effectively across backbone LLMs.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) システムは、検索した文書間の相互整合性を暗黙的に仮定する。 本稿では,回答生成に先立って知識衝突を検出し,分類し,解決する競合対応RAGフレームワークであるConflictRAGを提案する。 本フレームワークは,(1)軽量な組込み型MLP分類器と選択的LLM精錬を組み合わせた2段階のコンフリクト検出モジュール,(2)データ駆動型ソース信頼性評価のためのEntropy-TOPSISフレームワーク,(2)手動ヒューリスティックスによる選択精度の改善,(3)コンフリクト対応RAGスコア(CARS)によるコンフリクトハンドリング能力の評価,という3つのコントリビューションを紹介した。 6基のベースラインに対する3つのベンチマークの実験では、88.7%のコンフリクト検出F1と、最強のコンフリクト認識ベースラインに対して一貫性のある5.3-6.1%の正しさが示され、パイプラインの転送はバックボーンLLM間で効果的に行われる。

関連論文リスト

• Does RAG Know When Retrieval Is Wrong? Diagnosing Context Compliance under Knowledge Conflict [7.091145002779077]
  文脈駆動分解(英: Context-Driven Decomposition、CDD)は、推論時に動作する信念分解プローブである。 制御された検索競合の介入メカニズムとして機能する。 これら3つのパターンは、標準的なRAGを探索できる構造軸としてコンテキスト準拠を識別する。
  論文  参考訳（メタデータ） (2026-05-14T07:14:19Z)
• When to Retrieve During Reasoning: Adaptive Retrieval for Large Reasoning Models [13.891522069967507]
  本稿では、推論対応検索フレームワークReaLM-Retrieveを紹介する。 ステップレベルの不確実性検出は、トークンや文レベルではなく、推論ステップで知識ギャップを識別する。 検索介入政策は、外部証拠が進行中の推論に最大限の利益をもたらすことを学習する。
  論文  参考訳（メタデータ） (2026-04-29T13:15:44Z)
• PRIME: A Process-Outcome Alignment Benchmark for Verifiable Reasoning in Mathematics and Engineering [71.15346406323827]
  本稿では,プロセス・アウトカム・アライメント・アライメント・検証における検証結果を評価するベンチマークであるPRIMEを紹介する。 現在の検証器は、しばしば導出欠陥を検出するのに失敗する。 本稿では,PRIMEで選択した検証手法を利用したプロセス認識型RLVRトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-02-12T04:45:01Z)
• Seeing through the Conflict: Transparent Knowledge Conflict Handling in Retrieval-Augmented Generation [12.469991196570106]
  TCR (Transparent Conflict Resolution) は、二重コントラストエンコーダを介して意味マッチングと事実整合性を切り離す。 知識ギャップリカバリを+21.4ppで増加させ、誤解を招くコンテキストオーバーライドを-29.3ppで削減し、パラメータは0.3%に留まる。 信号は人間の判断と一致し、時間的決定パターンを明らかにする。
  論文  参考訳（メタデータ） (2026-01-11T10:08:49Z)
• From Facts to Conclusions : Integrating Deductive Reasoning in Retrieval-Augmented LLMs [5.838119242443381]
  本稿では,3段階にまたがる構造的,解釈可能な推論を付加する推論トレース拡張RAGフレームワークを提案する。 矛盾認識信頼スコア(CATS)パイプラインを導入し、基礎性、事実的正確性、拒絶精度、紛争行動アライメントを評価する。
  論文  参考訳（メタデータ） (2025-12-18T17:27:51Z)
• 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)
• Synchronous Faithfulness Monitoring for Trustworthy Retrieval-Augmented Generation [96.78845113346809]
  Retrieval-augmented Language Model (RALMs) は、知識集約型タスクにおいて、高い性能と幅広い適用性を示している。 本稿では,非偽文の検出に微細な復号力学を利用する軽量モニタであるSynCheckを提案する。 また、長文検索拡張生成のためのビームサーチによって導かれる忠実度指向の復号アルゴリズムであるFODを導入する。
  論文  参考訳（メタデータ） (2024-06-19T16:42:57Z)

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。