論文の概要: VecTree-RAG: An Agentic Retrieval-Augmented Generation Framework Combining Vector and Tree Retrieval for Efficiency and Accuracy

• arxiv url: http://arxiv.org/abs/2607.23006v1
• Date: Sat, 25 Jul 2026 02:50:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.964498
• Title: VecTree-RAG: An Agentic Retrieval-Augmented Generation Framework Combining Vector and Tree Retrieval for Efficiency and Accuracy
• Title（参考訳）: VecTree-RAG: 効率と正確性のためのベクトルと木検索を組み合わせたエージェント検索型生成フレームワーク
• Abstract要約: VecTree-RAGは、これらのタスクを補完的な検索機構に割り当てるエージェントフレームワークである。 VecTree-RAGは3つのベンチマークで最も高い結果を得た。 VecTree-RAGは、科学文献質問応答のための構造対応でトレーサブルなアーキテクチャを提供する。
• 参考スコア（独自算出の注目度）: 1.7944454238144063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific question answering requires a retrieval system to solve two distinct problems: identifying which papers are relevant and locating the supporting evidence within those papers. Conventional retrieval-augmented generation typically addresses both through similarity search over fixed-length passages, flattening document structure and separating scientific claims from their methodological and argumentative context. We present VecTree-RAG, an agentic framework that assigns these tasks to complementary retrieval mechanisms. Vector search ranks compact document and section representations across the corpus, whereas reasoning-guided traversal of source-verified section trees localizes evidence within shortlisted papers. Full text is retained in a page store and exposed progressively only after structural localization. We evaluate VecTree-RAG on 300 QASPER questions, an open-access subset of 54 LitQA2 questions, and 49 multi-document MOSAIC questions. Compared with Dense RAG, reranked Dense RAG, RAPTOR, and Search-o1, VecTree-RAG obtained the highest observed answer score on all three benchmarks, reaching 0.800 LLM-judge correctness on QASPER, 0.925 accuracy on LitQA2, and a 0.547 composite score on MOSAIC. On QASPER, its evidence-page precision was 0.274, compared with 0.046--0.071 for the baselines. LitQA2 ablations further showed that the complete vector--tree architecture required fewer inference tokens than variants without tree navigation or corpus-level vector routing. These results indicate that vector retrieval narrows the corpus-level search space and tree navigation concentrates reading on structurally relevant evidence. Although multi-turn inference remains more expensive than single-call retrieval, VecTree-RAG provides a structure-aware and traceable architecture for scientific literature question answering.
• Abstract（参考訳）: 科学的質問応答は、どの論文が関連しているかを識別し、それらの論文の中で支持する証拠を特定するという、2つの異なる問題を解決するために、検索システムを必要とする。 従来の検索強化世代は、通常、固定長の通路の類似性探索、文書の構造のフラット化、科学的クレームの方法論的および議論的文脈からの分離を通じて対処する。 本稿では,これらのタスクを補完的な検索機構に割り当てるエージェントフレームワークであるVecTree-RAGを提案する。 ベクトル探索はコーパス全体にわたってコンパクトな文書とセクション表現をランク付けする一方、ソース検証されたセクションツリーの推論誘導トラバーサルは、ショートリストの論文内で証拠をローカライズする。 フルテキストはページストアに保持され、構造的ローカライゼーション後にのみ徐々に公開される。 我々は,300QASPER質問に対するVecTree-RAG,54のLitQA2質問に対するオープンアクセスサブセット,49のマルチドキュメントMOSAIC質問に対するVecTree-RAGの評価を行った。 Dense RAG, reranked Dense RAG, RAPTOR, Search-o1 と比較すると, VecTree-RAG はQASPER では 0.800 LLM-judge , LitQA2 では0.925 , MOSAIC では0.547 となった。 QASPER のエビデンスページ精度は 0.274 であり、ベースラインは 0.046-0.071 である。LitQA2 の短縮により、完全なベクトルツリーアーキテクチャはツリーナビゲーションやコーパスレベルのベクトルルーティングのない変種よりも推論トークンを少なくする必要が出てきた。 これらの結果から,ベクター検索はコーパスレベルの探索空間を狭くし,ツリーナビゲーションは構造的な証拠に注目することがわかった。 マルチターン推論はシングルコール検索よりも高価だが、VecTree-RAGは科学文献の質問応答のための構造を意識し、トレース可能なアーキテクチャを提供する。

関連論文リスト

• VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
  VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。 100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。 強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
  論文  参考訳（メタデータ） (2026-08-18T15:23:06Z)
• Novelty-Aware Agentic Retrieval: Comparing Research Contributions Through Structured Multi-Step Reasoning [0.0]
  ノベルティ・アウェア・リサーチ・エージェント(英: Novelty-Aware Research Agent)は、エージェント検索システムのプロトタイプである。 RAGパイプライン上の多段階推論を6つのタイプドコントラクトコンポーネントを通じて階層化する。 論文毎のコントリビューション記録、紙レベルのオーバーラップ、問題xメソッドギャップマトリックスなど、構造化された比較アーティファクトを生成する。
  論文  参考訳（メタデータ） (2026-06-20T17:04:02Z)
• Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
  エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。 このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。 IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-05-03T19:13:11Z)
• Hierarchical Abstract Tree for Cross-Document Retrieval-Augmented Generation [3.338186852016847]
  $-RAGは2つの主要なコンポーネントを持つツリーRAGフレームワークである。 トークンレベルの質問応答からドキュメントレベルの要約まで,さまざまなタスクをサポートする。 RAPTORを25.9%、HippoRAG 2を7.4%上回っている。
  論文  参考訳（メタデータ） (2026-05-01T09:06:23Z)
• Adaptive Query Routing: A Tier-Based Framework for Hybrid Retrieval Across Financial, Legal, and Medical Documents [0.0]
  Retrieval-Augmented Generation (RAG) は、大規模言語モデルのアウトプットを外部知識で基礎付けるための標準パラダイムとなっている。 本稿では,3つの検索アーキテクチャ – ベクトルRAG,ツリー推論,およびAHR (Adaptive Hybrid Retrieval) を,財務法ドメイン全体にわたって評価することにより,その業務を拡大する。
  論文  参考訳（メタデータ） (2026-04-14T10:48:13Z)
• Graph-Aware Late Chunking for Retrieval-Augmented Generation in Biomedical Literature [0.0]
  GraLC-RAGは、グラフ認識構造インテリジェンスと遅延チャンキングを統合するフレームワークである。 2,359 IMRaD-filtered Centralの項目に対して,2,033の横断質問を用いた6つの戦略を評価する。
  論文  参考訳（メタデータ） (2026-03-23T23:22:58Z)
• Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
  Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。 我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。 本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
  論文  参考訳（メタデータ） (2026-03-09T18:20:20Z)
• Chain of Retrieval: Multi-Aspect Iterative Search Expansion and Post-Order Search Aggregation for Full Paper Retrieval [68.71038700559195]
  The Chain of Retrieval (COR) is a novel repeaterative framework for full-paper search。 SCIBENCH(SCIBENCH)は、クエリと候補のための全論文の完全なコンテキストとセグメント化されたコンテキストを提供するベンチマークである。
  論文  参考訳（メタデータ） (2025-07-14T08:41:53Z)
• ReTreever: Tree-based Coarse-to-Fine Representations for Retrieval [64.44265315244579]
  そこで本研究では,様々なレベルで参照文書を整理し,表現するためのツリーベース手法を提案する。 我々の手法はReTreeverと呼ばれ、クエリと参照ドキュメントが同様のツリーブランチに割り当てられるように、バイナリツリーの内部ノード毎のルーティング関数を共同で学習する。 我々の評価では、ReTreeverは一般的に完全な表現精度を保っている。
  論文  参考訳（メタデータ） (2025-02-11T21:35:13Z)
• BRIGHT: A Realistic and Challenging Benchmark for Reasoning-Intensive Retrieval [54.54576644403115]
  BRIGHTは、関係する文書を検索するために、集中的推論を必要とする最初のテキスト検索ベンチマークである。 私たちのデータセットは、経済学、心理学、数学、コーディングなど、さまざまな領域にまたがる1,384の現実世界のクエリで構成されています。 クエリに関する明示的な推論を取り入れることで、検索性能が最大12.2ポイント向上することを示す。
  論文  参考訳（メタデータ） (2024-07-16T17:58:27Z)

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。