論文の概要: CQC-RAG: Robust Retrieval-Augmented Generation via Cross-Query Consistency

• arxiv url: http://arxiv.org/abs/2606.13438v1
• Date: Thu, 11 Jun 2026 15:01:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.864859
• Title: CQC-RAG: Robust Retrieval-Augmented Generation via Cross-Query Consistency
• Title（参考訳）: CQC-RAG: クロスクエリ一貫性によるロバスト検索拡張生成
• Authors: Yanjia Sun, Sifan Liu, Jie Shao,
• Abstract要約: CQC-RAGは,クエリレベルの多様性注入とクエリ間の一貫性の評価を共同設計するフレームワークである。 CQC-RAGは、元の質問を多様だが意味を保ったクエリに書き換える。 根拠に基づくプロトコルを適用して、回答と証拠のペアを抽出し、信頼性の安定性に応じて回答を選択する。
• 参考スコア（独自算出の注目度）: 9.50454647525075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) has become a common approach for improving the factuality of Large Language Models (LLMs), yet its reliability remains highly sensitive to how external evidence is retrieved and used. Semantically equivalent queries with different syntactic forms may lead to different retrieval results, while irrelevant or misleading documents can further induce hallucinated answers. Existing multi-path reasoning methods improve robustness by sampling multiple candidate answers and applying voting- or confidence-based selection, but they still face two limitations: diversity is often injected through uncontrollable decoding randomness, and answer evaluation is usually confined to a single query-induced evidence view. To address these limitations, we propose a Cross-Query Consistency Hypothesis: correct answers tend to maintain high confidence across semantically equivalent but syntactically diverse queries, whereas noise-induced hallucinations exhibit unstable confidence under such query variations. Based on this hypothesis, we introduce CQC-RAG, a framework that co-designs query-level diversity injection with cross-query consistency evaluation. CQC-RAG rewrites the original question into diverse but meaning-preserving queries, reranks a shared document pool to construct query-conditioned reasoning contexts, applies an evidence-grounded protocol to extract answer-evidence pairs and selects answers according to their confidence stability across these contexts. This design enables self-evaluation without external supervision and does not rely on expanded retrieval coverage. Experiments on four open-domain question answering benchmarks show that CQC-RAG outperforms the strongest previous multi-query baseline by +4.76 pp EM on TriviaQA and +9.12 pp EM on MuSiQue, validating the effectiveness of cross-query consistency for filtering noise-induced hallucinations.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、Large Language Models (LLMs) の事実性を改善するための一般的なアプローチとなっているが、その信頼性は、外部証拠の検索や使用方法に非常に敏感である。 意味論的に等価なクエリは、異なる構文形式を持つクエリは、異なる検索結果をもたらす可能性があるが、無関係または誤解を招くドキュメントは、さらに幻覚的な回答を誘導することができる。 既存のマルチパス推論手法は、複数の候補回答をサンプリングし、投票や信頼に基づく選択を適用することで堅牢性を改善するが、それでも2つの制限に直面している。 これらの制約に対処するため、クロスクエリ一貫性仮説を提案する: 正解は意味論的に等価であるが、構文的に多様であるクエリに対して高い信頼を維持する傾向にあるが、ノイズによる幻覚はそのようなクエリの変動の下で不安定な信頼を示す。 この仮説に基づいて,クエリレベルの多様性注入とクエリ間の整合性評価を共同設計するフレームワークであるCQC-RAGを導入する。 CQC-RAGは、元の質問を多様だが意味を保ったクエリに書き直し、クエリ条件付き推論コンテキストを構築するために共有ドキュメントプールをリランクし、エビデンスベースのプロトコルを適用して、回答と証拠のペアを抽出し、これらのコンテキストをまたいだ信頼性の安定性に応じて回答を選択する。 この設計は、外部の監視なしに自己評価を可能にし、拡張された検索カバレッジに依存しない。 CQC-RAGはTriviaQA上では+4.76 pp EM、MuSiQue上では+9.12 pp EMで最強のマルチクエリベースラインを上回り、ノイズによる幻覚をフィルタリングするためのクロスクエリ一貫性の有効性を検証した。

関連論文リスト

• Boosting Self-Consistency with Ranking [56.38798757709555]
  自己整合性は、複数の推論パスをサンプリングし、最も頻繁な回答を選択することで、大きな言語モデルを改善する。 この制限は、自己整合性における解答選択をランク付け問題として再構成する、ランク付け改善自己整合性(RISC)に対処する。
  論文  参考訳（メタデータ） (2026-06-03T16:12:30Z)
• Can QPP Choose the Right Query Variant? Evaluating Query Variant Selection for RAG Pipelines [48.34524144147475]
  LLM(Large Language Models)は、現代の検索やRAG(Retrieval-Augmented Generation)パイプラインにおいて、クエリ再構成を至るところで実現している。 本稿では、アドホック検索とエンドツーエンドRAGをまたいで、クエリ性能予測(QPP)を異種選択のメカニズムとして検討する。
  論文  参考訳（メタデータ） (2026-04-24T15:36:40Z)
• QUARK: Robust Retrieval under Non-Faithful Queries via Query-Anchored Aggregation [2.505352949111876]
  QUARKは、非忠実なクエリの下で堅牢な検索を行うためのトレーニング不要のフレームワークである。 この設計により、QUIRKは堅牢性を犠牲にすることなくリコールとランキング品質を改善することができる。
  論文  参考訳（メタデータ） (2026-01-28T21:14:49Z)
• Hybrid Retrieval-Augmented Generation for Robust Multilingual Document Question Answering [0.3376269351435395]
  大規模なデジタル化のイニシアチブは、多くの歴史新聞を解き放った。 雑音の多い歴史文書に対する質問応答に特化して設計された多言語検索型拡張生成パイプラインを開発し,評価する。
  論文  参考訳（メタデータ） (2025-12-14T13:57:05Z)
• Faithfulness-Aware Uncertainty Quantification for Fact-Checking the Output of Retrieval Augmented Generation [108.13261761812517]
  本稿では,RAG出力における幻覚検出の新しい手法であるFRANQ(Fithfulness-based Retrieval Augmented Uncertainty Quantification)を紹介する。 本稿では,事実性と忠実性の両方に注釈を付したQAデータセットを提案する。
  論文  参考訳（メタデータ） (2025-05-27T11:56:59Z)
• Rethinking LLM Uncertainty: A Multi-Agent Approach to Estimating Black-Box Model Uncertainty [47.95943057892318]
  ブラックボックスLSMの不確実性の定量化は、信頼性の高い応答とスケーラブルな監視に不可欠である。 本研究では,不確実性推定にマルチエージェント相互作用を用いた新しい理論的基礎手法であるDiverseAgentEntropyを紹介する。
  論文  参考訳（メタデータ） (2024-12-12T18:52:40Z)
• Counterfactual Variable Control for Robust and Interpretable Question Answering [57.25261576239862]
  ディープニューラルネットワークに基づく質問応答(QA)モデルは、多くの場合、堅牢でも説明もできない。 本稿では、因果推論を用いてQAモデルのこのような突発的な「能力」を検証する。 本稿では,任意のショートカット相関を明示的に緩和する,CVC(Counterfactual Variable Control)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-12T10:09:05Z)

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。