論文の概要: TAP-RAG: Task-Aware Policy Control for Long-Document Multimodal Question Answering

• arxiv url: http://arxiv.org/abs/2607.18917v1
• Date: Tue, 21 Jul 2026 09:59:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.388513
• Title: TAP-RAG: Task-Aware Policy Control for Long-Document Multimodal Question Answering
• Title（参考訳）: TAP-RAG:長期文書マルチモーダル質問応答のためのタスクアウェアポリシー制御
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.876298836533962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-document multimodal question answering requires more than retrieving relevant chunks from a large document. Different queries require different evidence behavior. Existing multimodal RAG systems improve evidence access through text chunks, page images, graph links, or heterogeneous document elements, but they often apply a largely query-agnostic evidence-use strategy. We present TAP-RAG, a task-aware policy-controlled RAG framework for long-document multimodal QA. TAP-RAG contains a main controller, the Task-Aware Policy Controller (TAPC), and two policy-guided evidence executors: Task-Aware Query-Guided Flow Diffusion (TA-QFD) and Task-Aware Visual Enhancement (TAVE). For each query, TAPC predicts the task prior, estimates visual/local/global evidence signals, and produces an executable policy. TA-QFD then expands textual and structural evidence over the multimodal document graph, while TAVE selectively inspects page images when visual or layout evidence is needed. A guarded synthesis stage fuses text, visual, and structural evidence and abstains when support is insufficient. On DocBench and MMLongBench-Doc, TAP-RAG achieves the best overall accuracy among the compared systems, improving over a matched multimodal-RAG baseline by +9.1 points (61.1 to 70.2) and +4.5 points (42.2 to 46.7), respectively.
• Abstract（参考訳）: 長いドキュメントのマルチモーダルな質問応答は、大きなドキュメントから関連するチャンクを取得すること以上のものを必要とします。 異なるクエリは異なるエビデンス動作を必要とする。 既存のマルチモーダルRAGシステムは、テキストチャンク、ページイメージ、グラフリンク、あるいは異種文書要素を通じてエビデンスへのアクセスを改善するが、多くの場合、クエリに依存しないエビデンス・ユース戦略を適用する。 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)と、タスク・アウェア・クエリ・ガイドド・フロー・ディフュージョン(TA-QFD)とタスク・アウェア・ビジュアル・エンハンスメント(TAVE)という2つのエビデンス・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。 各クエリに対して、TAPCはタスクを事前に予測し、視覚的/局所的/言語的エビデンス信号を推定し、実行可能なポリシーを生成する。 TA-QFDはマルチモーダル文書グラフ上でテキストおよび構造的エビデンスを拡張し、TAVEは視覚的またはレイアウト的エビデンスが必要な時にページイメージを選択的に検査する。 ガードされた合成段階は、テキスト、視覚的、構造的証拠を融合させ、支持が不十分な場合には断念する。 DocBench と MMLongBench-Doc では、TAP-RAG が比較システムの中で最高の全体的な精度を達成し、マッチしたマルチモーダルRAG のベースラインを +9.1 点 (61.1 から 70.2) と +4.5 点 (42.2 から 46.7 に改善した。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• SPD-RAG: Sub-Agent Per Document Retrieval-Augmented Generation [0.0]
  SPD-RAG(SPD-RAG)は,クロスドキュメントな質問応答のための階層型マルチエージェントフレームワークである。 各文書は、自身のコンテンツのみで動作する専用文書レベルエージェントによって処理され、集中した検索が可能となる。 SPD-RAGは58.1(GPT-5評価)のAvgスコアを達成し、正規RAG(3.0)とエージェントRAG(32.8)を上回り、フルコンテキストベースライン(68.0)のAPIコストの38%しか使用していない。
  論文  参考訳（メタデータ） (2026-03-09T12:46:32Z)
• 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)
• Doc-Researcher: A Unified System for Multimodal Document Parsing and Deep Research [31.973886754355547]
  Doc-Researcherは、テキストのみ、ビジョンのみ、ハイブリッドパラダイム間のギャップを埋める統一システムである。 マルチモーダル,マルチホップ,マルチドキュメント,マルチターンディープリサーチの最初のベンチマークであるM4DocBenchを紹介する。 Doc-Researcherの精度は50.6%で、最先端のベースラインよりも3.4倍高い。
  論文  参考訳（メタデータ） (2025-10-24T16:07:54Z)
• UNIDOC-BENCH: A Unified Benchmark for Document-Centric Multimodal RAG [82.84014669683863]
  マルチモーダル検索拡張生成(MM-RAG)は,大規模言語モデルを現実世界の知識ベースに適用するための重要なアプローチである。 UniDoc-Benchは、70万の現実世界のPDFページから構築されたMM-RAGのための最初の大規模で現実的なベンチマークである。 実験により,マルチモーダルテキスト画像融合RAGシステムは,非モーダルおよび共同マルチモーダル埋め込みに基づく検索において一貫して優れていた。
  論文  参考訳（メタデータ） (2025-10-04T04:30:13Z)
• MMESGBench: Pioneering Multimodal Understanding and Complex Reasoning Benchmark for ESG Tasks [56.350173737493215]
  環境・社会・ガバナンス(ESG)報告は、持続可能性の実践の評価、規制コンプライアンスの確保、財務透明性の促進に不可欠である。 MMESGBenchは、マルチモーダル理解と複雑な推論を、構造的に多種多様なマルチソースESG文書間で評価するための、最初のベンチマークデータセットである。 MMESGBenchは、45のESG文書から得られた933の検証済みQAペアで構成され、7つの異なるドキュメントタイプと3つの主要なESGソースカテゴリにまたがる。
  論文  参考訳（メタデータ） (2025-07-25T03:58:07Z)
• VisDoM: Multi-Document QA with Visually Rich Elements Using Multimodal Retrieval-Augmented Generation [100.06122876025063]
  本稿では,マルチドキュメント設定でQAシステムを評価するために設計された,初の総合ベンチマークであるVisDoMBenchを紹介する。 視覚とテキストのRAGを同時に利用する新しいマルチモーダル検索拡張生成(RAG)手法であるVisDoMRAGを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:24:55Z)
• 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)

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。