論文の概要: Trace Only What You Need: Structure-Aware On-Demand Hypergraph Memory for Long-Document Question Answering
- arxiv url: http://arxiv.org/abs/2606.10921v1
- Date: Tue, 09 Jun 2026 14:29:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-10 15:40:58.552205
- Title: Trace Only What You Need: Structure-Aware On-Demand Hypergraph Memory for Long-Document Question Answering
- Title（参考訳）: 必要なものだけをトレースする:長文質問応答のための構造認識型ハイパーグラフメモリ
- Abstract要約: 長い文書の質問応答は、長い文書に散在する証拠を推論するために大きな言語モデルを必要とする。
既存の構造化RAG手法には,コストのかかるクエリ非依存の知識組織,オリジナルドキュメント構造の使用不足,歴史的推論経験の再利用の3つの制限がある。
本稿では、問合せトリガードナレッジ組織、文書構造認識、経験誘導推論をサポートする長期文書QAのためのマルチエージェントRAGフレームワークDocTraceを提案する。
- 参考スコア（独自算出の注目度）: 11.17007249581283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-document question answering (QA) requires large language models (LLMs) to reason over evidence scattered across lengthy documents, where answers often depend on event order, section-level context, and cross-part evidence connections. Although retrieval-augmented generation (RAG) reduces the input context by retrieving relevant evidence, existing structured RAG methods still face three limitations: costly query-agnostic knowledge organization, insufficient use of original document structure, and no reuse of historical reasoning experience. To address these limitations, we propose DocTrace, a multi-agent RAG framework for long-document QA that supports query-triggered knowledge organization, document-structure-aware and experience-guided reasoning. DocTrace preserves document hierarchy with a lightweight document structural tree index, constructs agent-shared hypergraph-structured working memory on demand during reasoning, and stores successful reasoning plans in graph-structured experience memory for future reuse, enabling adaptive exploration across related long-document questions. Experiments on four long-document QA datasets show that DocTrace achieves the best performance on three datasets, surpassing the strongest baseline, ComoRAG, by up to 8.85% in F1 and 4.40% in EM, while reducing the overall computational cost by 53.32%
- Abstract（参考訳）: QA(Long-document Question answering)は、長い文書に散在する証拠を解析するために大きな言語モデル(LLM)を必要とする。
検索強化生成(RAG)は、関連する証拠を検索することで入力コンテキストを減少させるが、既存の構造化RAG手法は、高価なクエリに依存しない知識組織、オリジナルの文書構造の使用不足、歴史的推論経験の再利用の3つの制限に直面している。
これらの制約に対処するために,問合せトリガードナレッジ組織,文書構造認識,経験誘導推論をサポートする,長期文書QAのためのマルチエージェントRAGフレームワークであるDocTraceを提案する。
DocTraceは、ドキュメント階層を軽量なドキュメント構造木インデックスで保存し、推論中の要求に応じてエージェント共有のハイパーグラフ構造化ワーキングメモリを構築し、将来の再利用のためにグラフ構造化エクスペリエンスメモリに推論計画を保存する。
4つの長期文書QAデータセットの実験によると、DocTraceは3つのデータセットで最高のパフォーマンスを達成し、最強のベースラインであるComoRAGを8.85%、EMは4.40%まで上回り、計算コストを53.32%削減した。
関連論文リスト
- LongDocBench: Benchmarking TOC Hierarchy and Contextual Relationship Recovery in Long Documents [7.641999919052611]
我々は,85の現実世界の財務報告,教科書,および2,582ページに及ぶ学術論文からなるtextscLongDocBenchを紹介した。
3,937のノード(平均ノード深さ3.55、最大深度9)と2,680のテーブルと図形オブジェクトにアノテートされた3,258のコンテキスト関係に対して、人間検証されたアノテーションを提供する。
長期文書質問回答実験は、人間の検証された階層と文脈的関係が推論を改善し、それらの組み合わせが補完的な利益をもたらすことを示している。
論文 参考訳（メタデータ） (2026-08-15T06:25:26Z) - DocTrace: Towards Traceable Long Document VQA via Hierarchical Evidence Graph Reasoning [14.841209914774778]
Long Document Visual Question Answering (LongDocVQA)は、複数のページにまたがる異種文書要素を探索し、統合し、推論するために、MLLM(Multimodal Large Language Models)を必要とする。
エンド・ツー・エンドのMLLMを含む既存のアプローチは、しばしば推論中に、根拠となる証拠がどのように徐々に構成されているかを表現し、検証するための明確なメカニズムを欠いている。
本稿では,エビデンスローカライゼーション,構造化文書解析,エビデンスグラフ推論を行う階層的なフレームワークであるDocTraceを提案する。
論文 参考訳（メタデータ） (2026-08-04T08:04:59Z) - DocNavRAG: Document-Structured Graph RAG with Stateful Evidence Construction for Complex Document Question Answering [22.38959921864722]
文書階層と地域間関係をナビゲート可能なグラフに整理するDocNavRAGを紹介する。
DocNavRAGは4つの長期およびマルチドキュメントQAベンチマークで、最強のベースラインに対する回答品質とコンテキスト満足度を平均で7.8%と17.7%改善した。
論文 参考訳（メタデータ） (2026-08-03T00:48:05Z) - DocAtlas: Long-Document Understanding as Mutable-State Interaction [67.90400271544678]
本稿では,長期文書理解を可変状態情報探索プロセスとして扱うDocAtlasを提案する。
ドキュメントと質問が与えられた後、DocAtlasは検索、読み取り、メモ取り、レビューツールを公開し、階層的なツリーとノートストアを維持し、エージェントが証拠を記録するように更新する。
GPT-5.4では、DocAtlasはMMLongBench-Docで71.4%に達し、65.8%という人間の専門的基準を超えた。
論文 参考訳（メタデータ） (2026-07-21T09:45:34Z) - MAGE-RAG: Multigranular Adaptive Graph Evidence for Agentic Multimodal RAG in Long-Document QA [14.865891513918278]
長い文書のマルチモーダルな質問応答には、長いPDFでスパースエビデンスを見つけるシステムが必要である。
本稿では,長期文書マルチモーダルQAのための多言語適応グラフエビデンスフレームワークであるMAGE-RAGを提案する。
論文 参考訳（メタデータ） (2026-06-14T16:34:15Z) - DocQAC: Adaptive Trie-Guided Decoding for Effective In-Document Query Auto-Completion [8.602282135498108]
DocQACは、ユーザーがより高速で正確なクエリを作成できるようにすることで、長いドキュメント内の検索生産性を向上させることを目指している。
ユーザクエリプレフィックスを用いて,言語モデルをソフトに操り,高品質な補完を実現するための適応型トリエン誘導型デコーディングフレームワークを提案する。
提案手法は, ORCAS から派生した新しい DocQAC ベンチマークで評価する。
論文 参考訳（メタデータ） (2026-04-20T13:30:45Z) - Doc-V*:Coarse-to-Fine Interactive Visual Reasoning for Multi-Page Document VQA [71.42483000929614]
複数ページのドキュメント 視覚的質問回答は、長い、視覚的に密集したドキュメントにおける意味論、レイアウト、および視覚的要素の推論を必要とする。
我々は,多ページDocVQAをシーケンシャルエビデンスアグリゲーションとしてキャストするtextbfOCRフリーエージェントフレームワークであるDoc-$V*$を提案する。
論文 参考訳（メタデータ） (2026-04-15T11:12:27Z) - BookRAG: A Hierarchical Structure-aware Index-based Approach for Retrieval-Augmented Generation on Complex Documents [11.158307125677375]
Retrieval-Augmented Generation (RAG)は、外部の複雑なドキュメントから非常に関連性の高い情報をクエリする。
本稿では,階層構造を持つ文書を対象とした新しいRAG手法であるBookRAGを紹介する。
BookRAGは最先端のパフォーマンスを実現し、検索リコールとQA精度の両方において、ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2025-12-03T03:40:49Z) - M3DocRAG: Multi-modal Retrieval is What You Need for Multi-page Multi-document Understanding [63.33447665725129]
M3DocRAGは、様々な文書コンテキストに柔軟に対応する新しいマルチモーダルRAGフレームワークである。
M3DocRAGは視覚情報を保存しながら、単一の文書や多数の文書を効率的に処理できる。
M3DocVQAはオープンドメインDocVQAを3,000以上のPDFドキュメントと4万以上のページで評価するための新しいベンチマークである。
論文 参考訳（メタデータ） (2024-11-07T18:29:38Z) - PDFTriage: Question Answering over Long, Structured Documents [60.96667912964659]
構造化文書をプレーンテキストとして表現することは、これらの文書をリッチな構造でユーザ精神モデルと矛盾する。
本稿では,構造や内容に基づいて,モデルがコンテキストを検索できるPDFTriageを提案する。
ベンチマークデータセットは,80以上の構造化文書に900以上の人間が生成した質問からなる。
論文 参考訳（メタデータ） (2023-09-16T04:29:05Z) - DAPR: A Benchmark on Document-Aware Passage Retrieval [57.45793782107218]
我々は,このタスクemphDocument-Aware Passage Retrieval (DAPR)を提案する。
State-of-The-Art(SoTA)パスレトリバーのエラーを分析しながら、大きなエラー(53.5%)は文書コンテキストの欠如に起因する。
提案するベンチマークにより,検索システムの開発・比較を今後行うことができる。
論文 参考訳（メタデータ） (2023-05-23T10:39:57Z) - End-to-End Multihop Retrieval for Compositional Question Answering over
Long Documents [93.55268936974971]
本稿では,長い文書の合成問題に答えるマルチホップ検索手法であるDocHopperを提案する。
各ステップでDocHopperは文書から段落や文を検索し、検索した結果とクエリを混合し、次のステップでクエリを更新する。
文書構造を活用すれば、長い文書の質問応答や検索性能を大幅に改善できることを示す。
論文 参考訳（メタデータ） (2021-06-01T03:13:35Z)
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。