論文の概要: THOR: A Theta-Gamma Hierarchical Oscillatory Reasoning Framework for Multi-hop QA

• arxiv url: http://arxiv.org/abs/2607.20459v1
• Date: Fri, 15 May 2026 03:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.180285
• Title: THOR: A Theta-Gamma Hierarchical Oscillatory Reasoning Framework for Multi-hop QA
• Title（参考訳）: THOR:マルチホップQAのためのTheta-Gamma階層型振動共振フレームワーク
• Abstract要約: マルチホップ質問応答には、複数のコンテキストからエビデンスを取り出し、統合する必要がある。 THORはTheta-Gammaの階層的振動にインスパイアされ、グローバルな計画が局所的な検索から切り離される。 THORは、制限を緩和しながら応答精度と堅牢性を改善し、その一般化を異なるバックボーンで示す。
• 参考スコア（独自算出の注目度）: 1.2768798535259775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-hop question answering requires retrieving and integrating evidence from multiple contexts. Despite the rapid progress of current research, multi-hop reasoning remains constrained by two persistent limitations: attention decay, where the model's focus on main question degrades as the reasoning chain grows, and error accumulation, where mistakes propagate across hops and compounds into final failure. Inspired by Theta-Gamma hierarchical oscillation which decouples global planning from local retrieval, enabling efficient attention transfer between hops and a verification and repair mechanism that interrupts the accumulation of errors in the wrong paths, we present THOR, a brain-inspired Theta-Gamma hierarchical oscillatory reasoning framework. Extensive comparative experiments and specific validation experiments on multi-hop QA benchmarks demonstrate that THOR improves answer accuracy and robustness while mitigating limitations, showcasing its generalization across different backbones.
• Abstract（参考訳）: マルチホップ質問応答には、複数のコンテキストからエビデンスを取り出し、統合する必要がある。 現在の研究の急速な進展にもかかわらず、マルチホップ推論は2つの永続的な制限によって制限されている: 注意減衰(英語版)、モデルが主問題に焦点をあてる場合、推論チェーンが成長するにつれて減少し、エラー蓄積(英語版)、そしてミスがホップや化合物をまたいで最終失敗へと伝播する。 Theta-Gammahierarchical oscillation, a brain-inspireed Theta-Gammahierarchical oscillatory reasoning framework, present THOR, a THOR, a brain-inspireed Theta-Gammahierarchical oscillatory reasoning framework。 マルチホップQAベンチマークにおける大規模な比較実験と具体的な検証実験により、THORは解答精度とロバスト性を向上し、制限を緩和し、異なるバックボーンにまたがる一般化を示す。

関連論文リスト

• SABET-QA: Temporal Knowledge Graph Question Answering [0.0]
  複数のホップにまたがる推論状態を反復的に洗練するフレームワークであるSABET-QAを提案する。 CronQuestions、complex-CronQuestions、MultiTQ、TimeQuestionsの実験は、強いベースラインよりも一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-08-20T14:16:35Z)
• D$^2$F-ReAG: Dynamic Decomposition and Filtering for Multi-Hop Reasoning-Augmented Generation [44.30305229446082]
  大規模言語モデル(LLM)は、静的内部知識に依存しているため、しばしば不正確な答えを生成する。 Retrieval-augmented Generation (RAG) は、外部知識の統合とシングルホップクエリの高速化によって、この制限に対処する。 グラフ構造化RAGや質問分解のような既存の手法は、しばしば動的分解と効果的なフィルタリングを欠いている。 マルチホップ推論強化ジェネレーション(D2F-ReAG)のための動的分解とフィルタリングを提案する。
  論文  参考訳（メタデータ） (2026-08-05T04:41:36Z)
• Compositional Multi-hop Factual Error Correction via Decomposition-and-Injection [60.34509125517578]
  本稿では,合成誤り訂正のための論理的枠組みであるCECoR(Reasoning-aware Synthesis)を提案する。 CECoRはマルチホップクレームを解釈可能な推論ステップに分解し、制御された摂動を注入して高品質なトレーニングペアを合成する。 教師付き微調整と強化学習を組み合わせた2段階学習戦略は、事実の正確性と堅牢性を向上させる。
  論文  参考訳（メタデータ） (2026-05-04T07:08:39Z)
• CRAFT: Calibrated Reasoning with Answer-Faithful Traces via Reinforcement Learning for Multi-Hop Question Answering [19.391824811629125]
  Retrieval-augmented Generation (RAG) は、大規模言語モデル(LLM)をマルチホップ質問応答に利用するために広く使われている。 マルチホップQAにおける推論は,マルチホップ構成により本質的に複雑であり,ノイズ検索によりさらに不安定となる。 CRAFTは、応答生成時に忠実な推論を行うためにモデルを訓練する強化学習フレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T17:33:39Z)
• Scaling Reasoning Hop Exposes Weaknesses: Demystifying and Improving Hop Generalization in Large Language Models [66.36240676392502]
  CoT(Chain-of- Thought)推論は、LLM(Large Language Models)が複雑な問題を解決するための標準パラダイムとなっている。 近年の研究では、ホップ一般化シナリオの推論性能が急落している。 推論過程におけるEPヘッドを動的に識別・非活性化する軽量な介入法である推論の試験時間補正を提案する。
  論文  参考訳（メタデータ） (2026-01-29T03:24:32Z)
• Reasoning in Trees: Improving Retrieval-Augmented Generation for Multi-Hop Question Answering [14.456873356080186]
  Reasoning Tree Guided RAG (RT-RAG) は複雑なマルチホップQAのための新しい階層的フレームワークである。 RT-RAGは、マルチホップ質問を明示的な推論木に体系的に分解し、不正確な分解を最小限にする。
  論文  参考訳（メタデータ） (2026-01-16T13:02:25Z)
• Reinforcement Learning Enhanced Multi-hop Reasoning for Temporal Knowledge Question Answering [16.044892597109563]
  時間的知識グラフ質問応答(TKGQA)は、時間的制約のあるエンティティ関係に対するマルチホップ推論を含む。 本稿では,MRE(Multi-hop reasoning enhanced, MRE)フレームワークを提案する。 提案したMREモデルが,複雑なマルチホップクエリ処理における最新技術(SOTA)アプローチを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-01-03T14:27:01Z)
• Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
  We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。 私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
  論文  参考訳（メタデータ） (2025-10-01T07:59:03Z)
• 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)
• GRITHopper: Decomposition-Free Multi-Hop Dense Retrieval [52.47514434103737]
  GRITHopper-7Bは,最先端性能を実現する新しいマルチホップ高密度検索モデルである。 GRITHopperは、因果言語モデリングと密集した検索訓練を統合することで、生成的および表現的命令チューニングを組み合わせる。 検索後言語モデリングと呼ばれる検索プロセスの後に追加のコンテキストを組み込むことで,検索性能が向上することがわかった。
  論文  参考訳（メタデータ） (2025-03-10T16:42:48Z)
• Locate Then Ask: Interpretable Stepwise Reasoning for Multi-hop Question Answering [71.49131159045811]
  マルチホップ推論では、複雑な質問に答えるために複数の文書を集約する必要がある。 既存の方法は通常、マルチホップの質問を単純なシングルホップの質問に分解する。 そこで本研究では,単一ホップ支援文識別と単一ホップ質問生成の両方を組み込む,解釈可能な段階的推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:24:25Z)
• 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)

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。