論文の概要: STEC: Evidence Compression for Deep Search in Open-domain Multi-Hop QA

• arxiv url: http://arxiv.org/abs/2607.10795v1
• Date: Sun, 12 Jul 2026 15:06:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.531902
• Title: STEC: Evidence Compression for Deep Search in Open-domain Multi-Hop QA
• Title（参考訳）: STEC:オープンドメインマルチホップQAにおけるディープサーチのためのエビデンス圧縮
• Authors: Xinkang Li, Rong Jiang, Xin Song, Ye Wang, Yue Han, Changjian Li,
• Abstract要約: マルチホップQAにおける最終回答選択のためのエビデンス圧縮フレームワークSTECを提案する。 STECは2つのメカニズムを通じて、既存の候補セットから最終回答を選択する。 我々は,4つのオープンドメインマルチホップQAベンチマークにおいて,代表ベースラインに対してSTECを評価する。
• 参考スコア（独自算出の注目度）: 25.230092433110766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In open-domain multi-hop question answering (QA), LLM-based search agents offer a promising approach to knowledge-intensive QA by combining retrieval with reasoning. Existing methods mainly improve open-domain multi-hop QA through reasoning paradigms, retrieval interaction, and search strategy optimization. However, using multiple search trajectories introduces a challenging final answer selection problem. Different trajectories may support different candidates, and the retrieved information can be heterogeneous, redundant, incomplete, or conflicting. Directly comparing raw trajectories exposes the verifier to noisy and unaligned content, while comparing answer strings ignores the evidence supporting each candidate, making reliable final selection difficult. To address this challenge, we propose STEC, an evidence compression framework for final answer selection in multi-hop QA. STEC selects the final answer from the existing candidate set through two mechanisms: (1) Answer-Level Evidence Compression, which groups trajectories by normalized answer identity and converts each answer group into a candidate-specific evidence representation; and (2) Evidence-Guided Answer Verification, which compares these representations and selects the final answer from the candidate set. The design shifts final selection from raw trajectory comparison to candidate-level evidence comparison. We evaluate STEC on four open-domain multi-hop QA benchmarks against representative baselines. Experimental results show that STEC performs best overall among the compared methods, and ablation results provide evidence that answer-level evidence compression contributes to final answer selection.
• Abstract（参考訳）: オープンドメインのマルチホップ質問応答(QA)において、LLMベースの検索エージェントは、検索と推論を組み合わせることで、知識集約型QAに対して有望なアプローチを提供する。 既存の手法は主に、推論パラダイム、検索インタラクション、検索戦略最適化を通じて、オープンドメインマルチホップQAを改善する。 しかし,複数の探索トラジェクトリを用いると,最終解選択の問題が発生する。 異なるトラジェクトリは異なる候補をサポートし、検索された情報は異種、冗長、不完全、あるいは矛盾する可能性がある。 生の軌跡を直接比較すると、検証者がノイズや不整合のある内容に晒され、回答文字列を比較すると、各候補を支持する証拠を無視し、信頼性の高い最終選択が困難になる。 この課題に対処するため,マルチホップQAにおける最終回答選択のためのエビデンス圧縮フレームワークSTECを提案する。 STECは,(1)正規化された回答の同一性によってトラジェクトリをグループ化し,各回答群を候補固有の証拠表現に変換するAnswer-Level Evidence Compression,(2)これらの表現を比較して最終回答を選択するEvidence-Guided Answer Verificationという2つのメカニズムにより,既存の候補セットから最終回答を選択する。 設計は、最終的な選択を、生の軌跡比較から候補レベルのエビデンス比較にシフトする。 我々は,4つのオープンドメインマルチホップQAベンチマークにおいて,代表ベースラインに対してSTECを評価する。 実験結果から,STECは比較手法の総合的な性能が最も優れており,回答レベルのエビデンス圧縮が最終回答選択に寄与することを示す。

関連論文リスト

• Ontology-Guided Evidence Path Inference for Multi-hop Knowledge Graph Question Answering [5.690260503175008]
  知識グラフ質問応答(KGQA)は、構造化事実を推論することで自然言語による質問に答えることを目的としている。 既存のマルチホップKGQA手法は主にトピック中心の拡張に依存しており、2つの重要な課題に直面している。 マルチホップKGQAのためのオントロジー誘導エビデンスパス推論フレームワークであるOPIを提案する。
  論文  参考訳（メタデータ） (2026-06-26T13:40:51Z)
• CQC-RAG: Robust Retrieval-Augmented Generation via Cross-Query Consistency [9.50454647525075]
  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。
  論文  参考訳（メタデータ） (2026-06-11T15:01:49Z)
• Retrieval--Reasoning Processes for Multi-hop Question Answering: A Four-Axis Design Framework and Empirical Trends [16.699029984948073]
  本調査では,実行手順を分析単位として,4軸フレームワークを導入している。 代表的マルチホップQAシステムをマッピングし、標準ベンチマークで報告された改善と傾向を合成する。 我々は、構造対応計画、転送可能な制御ポリシー、分散シフト下での堅牢な停止など、検索エージェントに対するオープンな課題で締めくくります。
  論文  参考訳（メタデータ） (2026-01-02T02:38:01Z)
• Diverse Multi-Answer Retrieval with Determinantal Point Processes [11.925050407713597]
  本稿では,BERTをカーネルとして利用する決定点プロセスを用いた再ランク付け手法を提案する。 その結果,本手法はAmbigQAデータセットの最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-11-29T08:54:05Z)
• Open-domain Question Answering via Chain of Reasoning over Heterogeneous Knowledge [82.5582220249183]
  異種知識ソース間のシングル/マルチホップ質問に応答する新しいオープンドメイン質問応答(ODQA)フレームワークを提案する。 分離された証拠を収集するためにレトリバーにのみ依存する従来の方法とは異なり、我々の仲介者は検索された集合に対する推論の連鎖を実行する。 本システムは,2つのODQAデータセットであるOTT-QAとNQに対して,Wikipediaの表や節に対する競合性能を実現する。
  論文  参考訳（メタデータ） (2022-10-22T03:21:32Z)
• Modeling Multi-hop Question Answering as Single Sequence Prediction [88.72621430714985]
  本稿では,単純な生成手法(PathFid)を提案する。 PathFidは、マルチホップ質問に対する回答を解決するための推論プロセスを明示的にモデル化する。 実験の結果,PathFidは2つのマルチホップQAデータセットに対して高い性能向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-05-18T21:57:59Z)
• Double Retrieval and Ranking for Accurate Question Answering [120.69820139008138]
  本研究では,トランスフォーマーを用いた解答選択モデルに導入された解答検証ステップが,問合せ解答における解答の精度を大幅に向上させることを示す。 AS2のためのよく知られた3つのデータセットの結果は、最先端の一貫性と大幅な改善を示している。
  論文  参考訳（メタデータ） (2022-01-16T06:20:07Z)
• Adaptive Information Seeking for Open-Domain Question Answering [61.39330982757494]
  本稿では,オープンドメイン質問応答,すなわちAISOに対する適応型情報探索手法を提案する。 学習方針によると、AISOは適切な検索行動を選択し、各ステップで行方不明の証拠を探すことができる。 AISOは、検索と回答の評価の両方の観点から、事前定義された戦略で全てのベースライン手法を上回ります。
  論文  参考訳（メタデータ） (2021-09-14T15:08:13Z)
• Answering Any-hop Open-domain Questions with Iterative Document Reranking [62.76025579681472]
  オープンドメインの問に答える統合QAフレームワークを提案する。 提案手法は,シングルホップおよびマルチホップのオープンドメインQAデータセットにおいて,最先端技術に匹敵する性能を継続的に達成する。
  論文  参考訳（メタデータ） (2020-09-16T04:31:38Z)
• Learning to Recover Reasoning Chains for Multi-Hop Question Answering via Cooperative Games [66.98855910291292]
  本稿では,弱い教師付き信号から推論連鎖を復元する学習法を提案する。 証拠通路をどのように選択し、どのように選択された通路を接続するかを2つのモデルで処理する。 評価のために、2つのマルチホップQAデータセットに基づいたベンチマークを作成しました。
  論文  参考訳（メタデータ） (2020-04-06T03:54:38Z)

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。