論文の概要: HKVM-RAG: Key-Value-Separated Hypergraph Evidence Organization for Multi-Hop RAG

• arxiv url: http://arxiv.org/abs/2606.07218v2
• Date: Thu, 11 Jun 2026 06:04:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 13:39:59.482454
• Title: HKVM-RAG: Key-Value-Separated Hypergraph Evidence Organization for Multi-Hop RAG
• Title（参考訳）: HKVM-RAG:マルチホップRAGのためのキーバリュー分離ハイパーグラフエビデンス機構
• Authors: Mingyu Zhang, Ying Ma,
• Abstract要約: 固定された検索予算の下では、システムは検索したテキストを、応答連鎖を公開するエビデンス単位に整理する必要がある。 本稿では,鍵値分離型エビデンス組織層であるHKVM-RAGについて述べる。
• 参考スコア（独自算出の注目度）: 5.749820809225301
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-hop RAG poses a data-engineering problem beyond passage matching: under fixed retrieval budgets, a system must organize retrieved text into evidence units that expose answer chains. Dense retrievers score passages independently, while graph-based memories make associations explicit but often rely on pairwise or entity-centered keys that fragment multi-hop evidence. We present HKVM-RAG, a key-value-separated evidence-organization layer. It assembles answer-path hyperedges from cached passage-level LLM evidence tuples and uses them as retrieval keys, while retaining passage text as answer values. To isolate key-space design, our fixed-substrate protocol holds the tuple cache, candidate passages, reader, and evaluation budget constant across pairwise graph and hypergraph variants. Weighted hypergraph key-value retrieval improves over KG-PPR by +3.426 F1 on 2WikiMultiHopQA and +3.592 F1 on MuSiQue; HotpotQA shows that higher structured support coverage need not yield standalone answer-F1 gains. We therefore study WHG-KV as an evidence-control signal rather than a dense-retrieval replacement. Oracle and train-to-dev analyses identify support selection as repairable, and a dense-aware controller combines frozen ColBERTv2 and HKVM rank/score features using out-of-fold HKVM predictions. It reaches 88.846, 65.073, and 85.810 F1 on the three benchmarks, improving over ColBERTv2 by +11.084, +6.763, and +5.966 F1. Source-level ablations show that matched non-WHG structured signals do not match the WHG-KV gains. These results provide bounded evidence that key-value-separated hypergraph organization can serve as a reusable evidence-control mechanism for multi-hop RAG.
• Abstract（参考訳）: 固定された検索予算の下では、システムは検索したテキストを、応答連鎖を公開するエビデンス単位に整理する必要がある。 センスレトリバーは個別にパスをスコアするが、グラフベースのメモリは関連性を明確にするが、しばしばマルチホップの証拠を断片化するペアワイズまたはエンティティ中心のキーに依存する。 本稿では,鍵値分離型エビデンス組織層であるHKVM-RAGについて述べる。 キャッシュされたパスレベルのLCMエビデンスから応答パスハイパーエッジを組み立て、それを検索キーとして使用し、パステキストを応答値として保持する。 鍵空間設計を分離するために,固定基板プロトコルはタプルキャッシュ,候補パス,リーダ,評価予算定数をペアワイズグラフとハイパーグラフの変種間で保持する。 重み付きハイパーグラフのキー値検索は、2WikiMultiHopQAで+3.426 F1、MuSiQueで+3.592 F1によりKG-PPRよりも改善されている。 そこで我々は,WHG-KVを高密度検索代替品ではなくエビデンス制御信号として検討した。 OracleとTrain-to-dev分析は、サポートの選択を修復可能であると認識し、凍結したColBERTv2とHKVMランク/スコア機能を組み合わせた高密度のコントローラを、アウトオブフォールドのHKVM予測を使って組み合わせている。 3つのベンチマークで88.846、65.073、85.810 F1に達し、ColBERTv2を+11.084、+6.763、+5.966 F1で上回った。 ソースレベルのアブレーションは、非WHG構造化信号がWHG-KVゲインと一致しないことを示す。 これらの結果は、キー値分離ハイパーグラフ組織がマルチホップRAGの再利用可能なエビデンス制御機構として機能することを示す。

関連論文リスト

• Constrained Dominant Sets for Multimodal Document Question Answering [3.7607300100158345]
  長いマルチモーダルな文書質問応答は、取得された量よりも、証拠が読み手に届く程度に制限される。 この研究は、クエリ拡張親和性グラフ上の制約付き支配セットとしてエビデンスを選択するレトリバーを導入する。
  論文  参考訳（メタデータ） (2026-06-05T13:24:46Z)
• AdaGATE: Adaptive Gap-Aware Token-Efficient Evidence Assembly for Multi-Hop Retrieval-Augmented Generation [6.314380942821944]
  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。
  論文  参考訳（メタデータ） (2026-05-04T14:45:49Z)
• CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
  CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。 この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
  論文  参考訳（メタデータ） (2026-04-19T17:48:17Z)
• PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering [57.89576196160413]
  大規模言語モデル (LLM) はマルチホップ質問応答 (MHQA) において脆弱のままである。 textbfPlanned Active Retrieval and Reasoning RAG (PAR$2-RAG)を提案する。
  論文  参考訳（メタデータ） (2026-03-30T23:52:54Z)
• N2N-GQA: Noise-to-Narrative for Graph-Based Table-Text Question Answering Using LLMs [0.0]
  ハイブリッドテーブルテキストデータに対するマルチホップ質問応答には,大規模コーパスからの複数のエビデンス部分の検索と推論が必要である。 Standard Retrieval-Augmented Generation (RAG) パイプラインは文書をフラットなランクリストとして処理し、検索ノイズがあいまいな推論連鎖を引き起こす。 N2N-GQAは、ノイズの多い検索出力から動的エビデンスグラフを構成する、オープンドメインハイブリッドテーブルテキストQAのための最初のゼロショットフレームワークである。
  論文  参考訳（メタデータ） (2026-01-10T15:55:15Z)
• 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)
• Hierarchical Sequence Iteration for Heterogeneous Question Answering [27.22775290181187]
  本稿では,文書,表,知識グラフを可逆的階層列に線形化する統一フレームワークであるHSEQを紹介する。 HotpotQA(テキスト)、HybridQA/TAT-QA(テーブル+テキスト)、MetaQA(KG)の実験では、強いシングルパス、マルチホップ、エージェントRAGベースラインを高い効率で一貫したEM/F1が得られた。
  論文  参考訳（メタデータ） (2025-10-23T12:48:18Z)
• 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)
• Exploring Key Point Analysis with Pairwise Generation and Graph Partitioning [61.73411954056032]
  キーポイント分析(KPA)は、議論採掘の分野において重要な未解決問題であり続けている。 ペア生成とグラフ分割を併用したKPAの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-17T13:44:29Z)
• 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。