論文の概要: MAGE-RAG: Multigranular Adaptive Graph Evidence for Agentic Multimodal RAG in Long-Document QA

• arxiv url: http://arxiv.org/abs/2606.15906v1
• Date: Sun, 14 Jun 2026 16:34:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:04.927674
• Title: MAGE-RAG: Multigranular Adaptive Graph Evidence for Agentic Multimodal RAG in Long-Document QA
• Title（参考訳）: MAGE-RAG:長期文書QAにおけるエージェントマルチモーダルRAGのための多粒性適応グラフ証拠
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.865891513918278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-document multimodal question answering requires a system to locate sparse evidence in long PDFs and integrate clues from text, tables, images, charts, and complex layouts. Existing RAG methods mostly rely on fixed Top-k retrieval over text chunks or pages. Text retrieval can compress the context but often loses visual and layout information; page-level visual retrieval preserves the original page, yet it also sends large irrelevant regions to the reader, leading to a static trade-off among evidence coverage, noise, and inference cost. This paper proposes MAGE-RAG, a multigranular adaptive graph evidence framework for long-document multimodal QA. MAGE-RAG uses page retrieval as the entry point for query-time evidence construction. Offline, it builds an evidence graph with page nodes and element nodes, encoding containment, reading order, layout adjacency, section hierarchy, and semantic-neighbor relations. At query time, an online evidence controller iteratively activates, opens, searches, and prunes evidence under explicit budgets. The resulting evidence subgraph is then rendered into structured multimodal reader input, allowing the LVLM to consume compact and relevant evidence within a limited context. On LongDocURL and MMLongBench-Doc, we establish a unified comparison and analysis protocol covering Direct MLLM, Text RAG, Page-level Visual RAG, and Graph/Agentic RAG. Experiments show that MAGE-RAG achieves 52.75 overall accuracy on LongDocURL, and 53.26 accuracy with 51.19 F1 on MMLongBench-Doc. Fine-grained breakdowns, budget-performance curves, ablations, and trace-based analysis further show that query-time evidence subgraph construction can balance dispersed evidence coverage with context-noise control. Our code is available at https://github.com/laonuo2004/MAGE-RAG.git.
• Abstract（参考訳）: 長い文書のマルチモーダルな質問応答には、長いPDFのスパースエビデンスを見つけ出し、テキスト、テーブル、画像、チャート、複雑なレイアウトからヒントを統合する必要がある。 既存のRAGメソッドは主にテキストチャンクやページ上のTop-k検索に依存している。 テキスト検索はコンテキストを圧縮するが、しばしば視覚的・レイアウト的な情報を失う。ページレベルのビジュアル検索は元のページを保存するが、大きな無関係な領域を読者に送信し、エビデンスカバレッジ、ノイズ、推論コストの静的なトレードオフをもたらす。 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。 MAGE-RAGは、クエリ時エビデンス構築のエントリポイントとしてページ検索を使用する。 オフラインでは、ページノードと要素ノードでエビデンスグラフを構築し、封じ込め、読み込み順序、レイアウトの隣接性、セクション階層、セマンティック-隣関係をエンコードする。 クエリ時に、オンラインエビデンスコントローラは、明示的な予算の下でエビデンスを反復的に起動し、オープンし、検索し、プーンする。 結果として得られたエビデンス・サブグラフは構造化されたマルチモーダル・リーダーの入力に変換され、LVLMは限られたコンテキスト内でコンパクトで関連するエビデンスを消費する。 LongDocURLとMMLongBench-Docでは、直接MLLM, Text RAG, Page-level Visual RAG, Graph/Agentic RAGをカバーする統合比較分析プロトコルを構築した。 実験の結果、MAGE-RAGはLongDocURLで52.75の精度、MMLongBench-Docで51.19のF1で53.26の精度を達成した。 きめ細かい分解、予算パフォーマンス曲線、改善、トレースベースの分析により、クエリ時証拠のサブグラフ構築により、分散エビデンスと文脈ノイズ制御のバランスがとれることが示される。 私たちのコードはhttps://github.com/laonuo2004/MAGE-RAG.gitで公開されています。

関連論文リスト

• 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)
• TAP-RAG: Task-Aware Policy Control for Long-Document Multimodal Question Answering [23.876298836533962]
  本稿では,長期文書マルチモーダルQAのためのタスク対応ポリシー制御RAGフレームワークであるTAP-RAGを提案する。 TAP-RAGには、メインコントローラ、タスク・アウェア・ポリシー・コントローラ(TAPC)、および2つのポリシー誘導エビデンス・エグゼクティブ・エグゼクティブ・エグゼクティブ・エグゼクティブ・エグゼクティブ・エグゼクティブ・エグゼクタが含まれている。 DocBench と MMLongBench-Doc では、TAP-RAG は比較したシステムで最高の全体的な精度を達成する。
  論文  参考訳（メタデータ） (2026-07-21T09:59:13Z)
• 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)
• Trace Only What You Need: Structure-Aware On-Demand Hypergraph Memory for Long-Document Question Answering [11.17007249581283]
  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。
  論文  参考訳（メタデータ） (2026-06-09T14:29:06Z)
• Towards Verifiable Multimodal Deep Research: A Multi-Agent Harness for Interleaved Report Generation [74.0621258662676]
  レポート生成のためのマルチエージェントハーネスであるPtahを提案する。 Ptahは計画、研究、執筆段階を通じて、ユーザクエリからレンダリングされたWebレポートまでのライフサイクルを編成する。 検証エージェントがハーネスの受け入れ機能として機能し、ワークフロー全体を通して事実的接地、引用の忠実性、相互の整合性を強制する。
  論文  参考訳（メタデータ） (2026-05-28T12:40:34Z)
• VLD-RAG: Agentic Vision-Language Retrieval-Augmented Generation for Long, Visually-Rich Multi-Page Documents [0.0]
  VLD-RAGは多ページのエビデンス検索のためのエージェントマルチモーダルRAGフレームワークである。 VLD-RAGはページ保存マルチモーダルインデックスを構築し、解析されたテキスト、ページレベルのメタデータ、密度の高いビジュアル表現を格納する。 検証対象エージェントワークフローは、検索エージェント、アンサーエージェント、バリデーションエージェントをコーディネートし、エビデンスカバレッジを広げ、欠落した引用を検出し、検索要求を精査する。
  論文  参考訳（メタデータ） (2026-05-21T13:33:38Z)
• 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)
• MARA: A Multimodal Adaptive Retrieval-Augmented Framework for Document Question Answering [51.19392014547221]
  検索型マルチモーダル文書QAは,視覚的にリッチな文書から複雑なマルチモーダル構造を持つ関連情報を識別し,統合することを目的としている。 現在のアプローチは、サージェントなコンテンツを見渡すクエリに依存しないドキュメント表現に依存しています。 本稿では,クエリ適応生成を導入したMultimodal Adaptive Retrieval-Augmented (MARA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-01T12:27:40Z)
• $G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA [53.491241153213565]
  G2$-Readerはマルチモーダルな質問応答のためのデュアルグラフシステムである。 Qwen3-VL-32B-Instructによる$G2$-Readerの平均精度は66.21%に達し、強力なベースラインとスタンドアローンのGPT-5(53.08%)を上回った。 5つのマルチモーダルドメインにわたるVisDoMBenchでは、Qwen3-VL-32B-Instructを使った$G2$-Readerが平均精度66.21%に達し、強力なベースラインとスタンドアロンのGPT-5(53.08%)を上回っている。
  論文  参考訳（メタデータ） (2026-01-29T17:52:54Z)
• Resolving Evidence Sparsity: Agentic Context Engineering for Long-Document Understanding [49.26132236798123]
  視覚言語モデル(VLM)は、文書理解における主要なアプローチになりつつある。 本稿では,粗いプロセスにおいて,検索者と4つの協調エージェントを編成するマルチエージェントフレームワークSLEUTHを提案する。 このフレームワークは、検索したページ内の重要なテキストおよび視覚的手がかりを特定し、テーブルやチャートなどの健全な視覚的エビデンスをフィルタし、クエリを分析して推論戦略を考案する。
  論文  参考訳（メタデータ） (2025-11-28T03:09:40Z)
• LAD-RAG: Layout-aware Dynamic RAG for Visually-Rich Document Understanding [37.12229829548839]
  レイアウト対応動的RAGフレームワークであるLAD-RAGを提案する。 LAD-RAGは、レイアウト構造とページ間の依存関係をキャプチャするシンボリック文書グラフを構築する。 MMLongBench-Doc、LongDocURL、DUDE、MP-DocVQAの実験は、LAD-RAGが検索を改善し、トップkチューニングなしで平均90%以上の完全リコールを達成することを示した。
  論文  参考訳（メタデータ） (2025-10-08T17:02:04Z)
• Benchmarking Retrieval-Augmented Multimodal Generation for Document Question Answering [60.062194349648195]
  Document Visual Question Answering (DocVQA)は、長いマルチモーダル文書の処理において2つの課題に直面している。 現在の文書検索拡張生成法(DocRAG)はテキスト中心のアプローチによって制限されている。 MMDocRAGは,多ページのクロスモーダルエビデンスチェーンを持つ4,055のエキスパートアノテーション付きQAペアを特徴とする総合ベンチマークである。
  論文  参考訳（メタデータ） (2025-05-22T09:52:57Z)

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。