論文の概要: Only Ask What You Don't Know: Grounded Delta Planning for Efficient Multi-step RAG

• arxiv url: http://arxiv.org/abs/2606.22681v1
• Date: Sun, 21 Jun 2026 21:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 07:38:19.31465
• Title: Only Ask What You Don't Know: Grounded Delta Planning for Efficient Multi-step RAG
• Title（参考訳）: 知らないことだけを尋ねる:効率的なマルチステップRAGのための地上デルタプランニング
• Authors: Wei-Chieh Chou, Xuanjun Chen, Jian-Ren Lin, Claire Lin, Hung-yi Lee, Jyh-Shing Roger Jang,
• Abstract要約: Grounded Delta Planning RAG (GDP-RAG) は、情報デルタのみをターゲットにした計画ベースのフレームワークである。 GDP-RAGは未解決のギャップに焦点を合わせ、簡潔で信頼性の高い推論軌道を生み出す。
• 参考スコア（独自算出の注目度）: 44.45565681319187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-hop question answering remains challenging for Retrieval-Augmented Generation (RAG) because existing approaches either propagate errors across iterative retrieval rounds or over-generate reasoning steps, increasing cost without improving accuracy. We propose Grounded Delta Planning RAG (GDP-RAG), a plan-based framework that targets only the information delta based on three simple design choices: (1) preliminary retrieval to ground planning before execution, (2) a gap-conditioned planning prompt that asks only for missing information, and (3) a skeletal trajectory that pairs each subquery with a Thought capturing evidence from preliminary retrieval and carrying it through to the final answer. GDP-RAG focuses computation on unresolved gaps, yielding concise, reliable reasoning trajectories. Extensive experiments on HotpotQA, 2WikiMultiHopQA, and MuSiQue show that GDP-RAG achieves the highest accuracy (60.63%) among all compared systems while maintaining a cost-of-pass of 0.51, 22% lower than PAR-RAG (0.65) and 68% lower than KnowTrace (1.57), with no method achieving both higher accuracy and lower cost.
• Abstract（参考訳）: なぜなら、既存のアプローチは反復的な検索ラウンドにまたがるエラーを伝播するか、あるいは過剰な推論ステップを伝播させ、精度を向上することなくコストを増大させるためである。 本研究では,(1)実施前の地上計画の予備的検索,(2)不足情報のみを問う空隙条件プランニングプロンプト,(3)予備的検索から証拠を抽出して最終回答まで,各サブクエリと組み合わせた骨格トラジェクトリの3つの簡単な設計選択に基づいて情報デルタのみを対象とするプランベースフレームワークであるGunded Delta Planning RAG(GDP-RAG)を提案する。 GDP-RAGは未解決のギャップを計算に焦点を合わせ、簡潔で信頼性の高い推論軌道を得る。 HotpotQA, 2WikiMultiHopQA, MuSiQue の大規模な実験では、GDP-RAG が全ての比較システムの中で最高精度 (60.63%) を達成した一方で、PAR-RAG (0.65) よりも22%低く、KnowTrace (1.57) より68%低く、高い精度と低いコストを達成する方法はない。

関連論文リスト

• RAG over Thinking Traces Can Improve Reasoning Tasks [45.57562898423325]
  Retrieval-augmented Generation (RAG) は知識集約的なタスクに有効であることが証明されているが、推論集約的な問題に対して限られた利益をもたらすと広く信じられている。 本稿では,問題解決の過程で発生する思考軌跡,すなわち中間的思考軌跡の検索を提案する。 これらのトレースをコーパスとして使用すると、単純な検索列生成パイプラインは推論性能を一貫して改善する。
  論文  参考訳（メタデータ） (2026-05-05T04:03:28Z)
• 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)
• 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)
• Think Right: Learning to Mitigate Under-Over Thinking via Adaptive, Attentive Compression [68.69801176669843]
  本稿では,冗長なステップを誘発し,難易度を推定するオンラインポストトレーニングRL手法を提案する。 TRAAC(Think Right with Adaptive, Attentive Compression)は、絶対精度が平均8.4%向上する。 我々のモデルは数学データセットに基づいて訓練されているが、分布外データセットの精度と効率性を示す。
  論文  参考訳（メタデータ） (2025-10-02T02:00:20Z)
• Abduct, Act, Predict: Scaffolding Causal Inference for Automated Failure Attribution in Multi-Agent Systems [20.846301581161978]
  マルチエージェントシステムにおける障害帰属は、批判的だが未解決の課題である。 現在の手法では、これを長い会話ログ上のパターン認識タスクとして扱う。 A2P Scaffoldingは、パターン認識から構造化因果推論タスクへの障害帰属を変換する。
  論文  参考訳（メタデータ） (2025-09-12T16:51:15Z)
• Search Wisely: Mitigating Sub-optimal Agentic Searches By Reducing Uncertainty [21.96443267949563]
  エージェント検索型Augmented Generation (RAG) システムは,動的かつ多段階の推論と情報検索を可能にし,Large Language Models (LLM) を強化する。 これらのシステムは、オーバーサーチ(冗長な情報を取得する)やアンダーサーチ(必要な情報を取得するのに失敗する)のような準最適探索行動を示すことが多い。 この研究は、これらの振る舞いを公式に定義し、定量化し、複数のQAデータセットとエージェントRAGシステムにまたがるそれらの頻度を明らかにする。
  論文  参考訳（メタデータ） (2025-05-22T20:57:56Z)
• PropRAG: Guiding Retrieval with Beam Search over Proposition Paths [15.346744525284604]
  PropRAGは、トリプルからコンテキストリッチな命題に移行する新しいRAGフレームワークである。 PropRAGは2Wiki、HotpotQA、MuSiQueでRecall@5とF1のスコアを達成している。
  論文  参考訳（メタデータ） (2025-04-25T04:47:34Z)
• Credible Plan-Driven RAG Method for Multi-Hop Question Answering [2.5772544412212985]
  PDCA(Plan-Do-Check-Act)サイクルにインスパイアされた新しいフレームワークであるPAR-RAG(Plan-then-Act-and-Review RAG)を提案する。 Par-RAGは、現在の質問の意味的な複雑さにマッチした例を選び、複雑さを意識したトップダウンプランニングをガイドする。 二重検証機構は、中間誤差を評価し修正し、推論プロセスが事実上基底のままであることを保証する。
  論文  参考訳（メタデータ） (2025-04-23T15:03:17Z)
• ETS: Efficient Tree Search for Inference-Time Scaling [61.553681244572914]
  テストタイムの計算スケーリングにおいて有望なアプローチのひとつは、プロセス報酬モデルに対する検索である。 木探索過程における軌跡の多様性は、多様性の増大がさらなる探索を促進するため、探索の精度に影響を与える。 本稿では,冗長なトラジェクトリを抽出し,必要な多様なトラジェクトリを維持しながら,KVの共有を促進する効率的なツリー探索(ETS)を提案する。
  論文  参考訳（メタデータ） (2025-02-19T09:30:38Z)

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。