論文の概要: HyCE-RAG: Hypergraph Chain-of-Evidence Retrieval-Augmented Generation for Explainable Multi-hop Question Answering

• arxiv url: http://arxiv.org/abs/2607.22597v1
• Date: Fri, 12 Jun 2026 08:28:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.130582
• Title: HyCE-RAG: Hypergraph Chain-of-Evidence Retrieval-Augmented Generation for Explainable Multi-hop Question Answering
• Title（参考訳）: HyCE-RAG:説明可能なマルチホップ質問応答のためのハイパーグラフチェイン・オブ・エビデンス検索生成
• Abstract要約: マルチホップ質問応答には、複数の文書から証拠を取得し、散在した事実を一貫性のある推論プロセスに接続するシステムが必要である。 標準検索拡張生成(RAG)は主にクエリとテキストチャンク間の意味的類似性に依存する。 説明可能なマルチホップ質問応答のためのハイパーグラフ・チェーン・オブ・エビデンス・レトリーバル・Augmented GenerationフレームワークであるHyCE-RAGを提案する。
• 参考スコア（独自算出の注目度）: 16.576593583698024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-hop question answering requires systems to retrieve evidence from multiple documents and connect scattered facts into a coherent reasoning process. Standard retrieval-augmented generation (RAG) mainly relies on semantic similarity between a query and text chunks, and therefore often fails to model structural relations among entities, facts, and evidence units. Graph-based RAG improves this by introducing graph-structured knowledge, but pairwise edges are still limited in representing higher-order associations involving multiple entities and contexts. We propose HyCE-RAG, a Hypergraph Chain-of-Evidence Retrieval-Augmented Generation framework for explainable multi-hop question answering. HyCE-RAG organizes entities, relations, and contextual evidence into hyperedges, builds a query-aware evidence hypergraph, and performs confidence propagation over entity--hyperedge incidence structures. It then uses confidence-guided evidence assembly to select, connect, and rank evidence paths before answer generation. The scoring process jointly considers semantic relevance, entity connectivity, evidence coverage, relation reliability, extraction confidence, and propagated confidence. By providing the language model with structured evidence chains rather than flat retrieved passages, HyCE-RAG supports more faithful and interpretable reasoning. Experiments on HotpotQA, 2WikiMultihopQA, MuSiQue, and two GraphRAG-Bench subsets show that HyCE-RAG consistently outperforms standard RAG and graph-based RAG baselines in answer accuracy, context relevance, and faithfulness. These results suggest that hypergraph-based evidence organization is a promising direction for post-retrieval reasoning in complex question answering.
• Abstract（参考訳）: マルチホップ質問応答には、複数の文書から証拠を取得し、散在した事実を一貫性のある推論プロセスに接続するシステムが必要である。 標準的な検索強化生成(RAG)は主にクエリとテキストチャンク間の意味的類似性に依存しているため、エンティティ、事実、エビデンスユニット間の構造的関係をモデル化できないことが多い。 グラフベースのRAGは、グラフ構造化知識を導入することでこれを改善しますが、複数のエンティティやコンテキストを含む高次の関連性を表現する場合、ペアワイズエッジは依然として限られています。 説明可能なマルチホップ質問応答のためのハイパーグラフ・チェーン・オブ・エビデンス・レトリーバル・Augmented GenerationフレームワークであるHyCE-RAGを提案する。 HyCE-RAGは、エンティティ、リレーション、コンテキストエビデンスをハイパーエッジに整理し、クエリ対応エビデンスハイパーグラフを構築し、エンティティ-ハイパーエッジインシデント構造に対する信頼性の伝播を実行する。 次に、自信に導かれた証拠集合を使用して、回答生成前の証拠経路を選択し、接続し、ランク付けする。 スコアリングプロセスは、意味的関連性、エンティティ接続性、エビデンスカバレッジ、関係性信頼性、抽出信頼度、伝播信頼度を共同で検討する。 HyCE-RAGは、フラットに検索されたパスではなく、構造化されたエビデンスチェーンを持つ言語モデルを提供することによって、より忠実で解釈可能な推論をサポートする。 HotpotQA、2WikiMultihopQA、MuSiQue、および2つのGraphRAG-Benchサブセットの実験は、HyCE-RAGが標準RAGとグラフベースのRAGベースラインを常に上回っていることを示している。 これらの結果は,ハイパーグラフに基づくエビデンス組織が,複雑な質問応答における検索後の推論に有望な方向であることを示唆している。

関連論文リスト

• Navigating Sparse Evidence: Agentic Visual RAG via Explicit Context Selection and Consolidation [50.92223196290564]
  明示的な証拠選択と統合のための統一エージェントループを提案する。 探索中、SCoREはクエリ関連観測とソースポインタのみを保守されたテキスト台帳に保持する。 終了時には、参照された元のイメージを再ロードし、答えの視覚的証拠を統合し、論理的なシーケンスにアレンジする。
  論文  参考訳（メタデータ） (2026-09-14T16:11:35Z)
• A Tree-based RAG Framework for Evidence-Intensive QA via Adaptive Planning and Topology-Aware Evidence Gathering [5.690105879823579]
  最近の構造化RAG法は、木またはグラフに基づく推論構造を利用してマルチホップQAを改善する。 APT-RAG(Adaptive Planning and Topology-Aware evidence gathering RAG framework)を提案する。 証拠集約型QAベンチマークの実験では、APT-RAGは既存の構造化RAG法よりも優れている。
  論文  参考訳（メタデータ） (2026-09-04T10:34:14Z)
• SAGE: From Direct Answering to Evidence-Grounded Inference for Chinese Ancient Document Understanding [61.02068339726333]
  中国古文書理解のためのエビデンスを基盤としたマルチエージェントフレームワークであるSAGEを提案する。 SAGEは、タスク対応計画、ツールによるエビデンス獲得、クレームレベルの検証、バウンドリプランニングのための特殊エージェントを調整する。 AncientDocベンチマークの実験によると、SAGEは直接答えベースラインと一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-25T03:01:51Z)
• HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
  我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。 HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。 報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-27T23:50:46Z)
• ArbGraph: Conflict-Aware Evidence Arbitration for Reliable Long-Form Retrieval-Augmented Generation [47.25596369834373]
  ArbGraphは、長期RAGにおける前世代のエビデンス仲裁のためのフレームワークである。 ArbGraphは取得した文書をアトミックなクレームに分解し、それらをコンフリクト対応エビデンスグラフに整理する。 ArbGraphは、幻覚を低減し、検索ノイズに対する感度を低下させながら、ファクトリコールと情報密度を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-04-20T14:51:43Z)
• TaSR-RAG: Taxonomy-guided Structured Reasoning for Retrieval-Augmented Generation [17.21708416305234]
  textscTaSR-RAGは、エビデンス選択のための分類誘導構造推論フレームワークである。 textscTaSR-RAGは、強いRAGと構造化RAGベースラインを最大14%上回っている。
  論文  参考訳（メタデータ） (2026-03-10T08:16:36Z)
• Hierarchical Sequence Iteration for Heterogeneous Question Answering [27.22775290181187]
  本稿では,文書,表,知識グラフを可逆的階層列に線形化する統一フレームワークであるHSEQを紹介する。 HotpotQA(テキスト)、HybridQA/TAT-QA(テーブル+テキスト)、MetaQA(KG)の実験では、強いシングルパス、マルチホップ、エージェントRAGベースラインを高い効率で一貫したEM/F1が得られた。
  論文  参考訳（メタデータ） (2025-10-23T12:48:18Z)
• SUBQRAG: Sub-Question Driven Dynamic Graph RAG [34.20328335590984]
  SubQRAGは、推論深度を高めるサブクエスト駆動のフレームワークである。 SubQRAGは複雑な質問を検証可能なサブクエストの順序付けられた連鎖に分解する。 3つのマルチホップQAベンチマークの実験では、SubQRAGが一貫性と大幅な改善を実現している。
  論文  参考訳（メタデータ） (2025-10-09T02:55:58Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• Commonsense Evidence Generation and Injection in Reading Comprehension [57.31927095547153]
  本稿では,CEGI と命名された理解を読み取るためのコモンセンス・エビデンス・ジェネレーション・インジェクション・フレームワークを提案する。 この枠組みは、2種類の補助的コモンセンス証拠を包括的読解に注入し、機械に合理的思考能力を持たせる。 CosmosQAデータセットの実験では、提案されたCEGIモデルが現在の最先端アプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-11T16:31:08Z)

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。