論文の概要: KAMR: Grounding Generation via Knowledge-Aligned Multi-hop Retrieval

• arxiv url: http://arxiv.org/abs/2607.27136v1
• Date: Wed, 29 Jul 2026 17:07:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.749328
• Title: KAMR: Grounding Generation via Knowledge-Aligned Multi-hop Retrieval
• Title（参考訳）: KAMR:知識対応型マルチホップ検索によるグラウンド生成
• Abstract要約: KAMRは、クエリによって強い制約を受けるアンカー三重項と、アンカーと構造的に結びついているアンカー三重項とを区別する。 推論時、KAMRは世界中のアンカーを回収し、その後局所的に拡大して接続された証拠を収集する。
• 参考スコア（独自算出の注目度）: 31.963913285966033
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based retrieval-augmented generation increasingly relies on multi-hop retrieval, where answering a query requires composing multiple connected knowledge-graph triplets. However, existing retrievers often rank triplets independently via global semantic matching. Moreover, many multi-hop benchmarks provide only final answers, which limits supervision for query--triplet alignment and causes structurally necessary but weakly aligned facts to be missed. To address these issues, we propose a knowledge-aligned multi-hop retriever, KAMR, which distinguishes anchor triplets that are strongly constrained by the query from connected triplets that are weakly aligned yet structurally linked to the anchors. To mitigate the lack of query-triplet alignment supervision, we build a partial alignment dataset by masking triplet elements and prompting an LLM to generate corresponding queries, and optimize two contrastive objectives for pair-level and element-level matching. At inference time, KAMR retrieves anchors globally and then expands locally to collect connected evidence. Across four benchmarks, three LLM backbones, and fourteen baselines, KAMR consistently improves multi-hop retrieval and downstream question answering performance.
• Abstract（参考訳）: グラフベースの検索強化生成は、クエリに応答するためには、複数のコネクテッドなナレッジグラフトリプルを構成する必要がある、マルチホップ検索にますます依存している。 しかし、既存のレトリバーはグローバルなセマンティックマッチングを通じて独立して三つ子をランク付けすることが多い。 さらに、多くのマルチホップベンチマークは最終回答のみを提供するため、クエリ-トリップアライメントの監督が制限され、構造的に必要だが、整合性の弱い事実が見逃される。 これらの問題に対処するため,知識対応型マルチホップレトリバーであるKAMRを提案し,クエリによって強い制約を受けるアンカー三重項と,アンカーに構造的に結びついているアンカー三重項とを区別する。 クエリ・トリップレットのアライメント管理の欠如を軽減するため,三重項要素をマスキングし,LLMに対応するクエリを生成することで部分アライメントデータセットを構築し,ペアレベルと要素レベルのマッチングのための2つの対照的な目標を最適化する。 推論時、KAMRは世界中のアンカーを回収し、その後局所的に拡大して接続された証拠を収集する。 4つのベンチマーク、3つのLCMバックボーン、14のベースラインで、KAMRは一貫してマルチホップ検索とダウンストリーム質問応答性能を改善している。

関連論文リスト

• Retrieving a Set, Not Independent Passages: Set-Level Compatibility Learning for Efficient Set Exploration [14.89719169791929]
  クエリセット整合性スコアリングとしてマルチホップ検索を定式化し、セットレベル検索フレームワークを提案する。 我々の訓練目的は、検索者が不完全でノイズの多い代替手段の上に設定された完全かつ互換性のある証拠をランク付けするように教える。 フレームワークを2つの相補的な集合スコアラでインスタンス化する。軽量な遅延相互作用スコアラであるParaSetと、クロスエンコーダベースの再ランカであるSetCEである。
  論文  参考訳（メタデータ） (2026-07-07T00:37:45Z)
• Hierarchical Evidence-Driven Reasoning for Long Document Understanding [95.51688464037096]
  閉領域文書理解のための階層的・エビデンス駆動型マルチモーダルRAGフレームワークであるHIEVI-RAGを紹介する。 我々のフレームワークは、既存のオープンソースベースラインを著しく上回り、最強の報告ベースラインを平均8.05%の精度で上回ります。
  論文  参考訳（メタデータ） (2026-07-06T03:08:28Z)
• Subtraction Gets You More: Gap-Aware Retrieval for Multimodal Multi-Hop QA [11.316299961548415]
  本稿では,埋め込みレベルで直接暗黙的なクエリ書き換えを行うパラダイムを提案する。 コンテクスト・サブトラクティブなクエリ・ステアリングにより、GRAILはコンストラクショナル・クロスモーダルな推論において優れている。 タスクタイプに基づいたクエリを動的にルーティングすることで、MultimodalQA上で40.3%のマクロ平均パフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2026-05-27T15:46:21Z)
• MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries [2.756584457554517]
  Map-Disambiguate-Enrich-Reduce (MDER)はコンテキスト由来の3重記述を生成し、エンティティレベルの要約と統合する。 Decompose-Resolve (DR)は、ユーザクエリを解決可能なトリプルに分解し、知識グラフに格納する。 MDERとDRはLLM駆動のQAパイプラインを形成し、スパース、不完全、複雑なリレーショナルデータに対して堅牢である。
  論文  参考訳（メタデータ） (2026-03-11T18:38:44Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• 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)
• Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval [22.33550491040999]
  RAGは、大きな言語モデルを外部の証拠に基礎を置いているが、セマンティックに遠く離れた文書で答えをまとめなければならないと、いまだに混乱している。 私たちは、StatementGraphRAGとTopicGraphRAGという2つのプラグイン・アンド・プレイレトリバーを構築します。 提案手法は,検索リコールと正当性において平均23.1%の相対的改善を達成し,有意なチャンクベースRAGよりも優れていた。
  論文  参考訳（メタデータ） (2025-06-09T17:58:35Z)
• 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)
• EfficientRAG: Efficient Retriever for Multi-Hop Question Answering [52.64500643247252]
  マルチホップ質問応答のための効率的な検索器であるEfficientRAGを紹介する。 実験の結果、EfficientRAGは3つのオープンドメインのマルチホップ質問応答データセット上で既存のRAG手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-08-08T06:57:49Z)
• Decomposing Complex Queries for Tip-of-the-tongue Retrieval [72.07449449115167]
  複雑なクエリは、コンテンツ要素(例えば、書籍の文字やイベント)、ドキュメントテキスト以外の情報を記述する。 この検索設定は舌の先端 (TOT) と呼ばれ、クエリと文書テキスト間の語彙的および意味的重複に依存するモデルでは特に困難である。 クエリを個別のヒントに分解し、サブクエリとしてルーティングし、特定の検索者にルーティングし、結果をアンサンブルすることで、このような複雑なクエリを扱うための、シンプルで効果的なフレームワークを導入します。
  論文  参考訳（メタデータ） (2023-05-24T11:43:40Z)

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。