論文の概要: DocNavRAG: Document-Structured Graph RAG with Stateful Evidence Construction for Complex Document Question Answering
- arxiv url: http://arxiv.org/abs/2608.01565v1
- Date: Mon, 03 Aug 2026 00:48:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.288177
- Title: DocNavRAG: Document-Structured Graph RAG with Stateful Evidence Construction for Complex Document Question Answering
- Title（参考訳）: DocNavRAG: 複雑なドキュメント質問回答のためのステートフルなエビデンス構築を備えたドキュメント構造化グラフRAG
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 22.38959921864722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Answering complex questions over large document collections requires assembling complementary evidence across sections and documents. GraphRAG offers structured retrieval but typically uses fixed traversal, while agentic RAG operates over weakly structured interfaces. Our key insight is that agents should navigate document structure within and across documents rather than repeatedly search from scratch. We introduce DocNavRAG, which organizes document hierarchies and cross-region relations into a navigable graph, exposes graph operations for locating, navigating, expanding, and fetching, and maintains an evolving evidence state to guide retrieval until sufficient evidence is collected. Across four long- and multi-document QA benchmarks, DocNavRAG improves answer quality and context sufficiency over the strongest baseline by 7.8\% and 17.7\% on average.
- Abstract（参考訳）: 大きな文書コレクションに複雑な質問を答えるには、セクションやドキュメントに相補的な証拠を組み立てる必要がある。
GraphRAGは構造化検索を提供するが、典型的には固定トラバースを使用し、エージェントRAGは弱い構造化インターフェイス上で動作する。
私たちの重要な洞察は、エージェントがスクラッチから繰り返し検索するのではなく、ドキュメント内のドキュメント構造をナビゲートすべきだということです。
我々はDocNavRAGを導入し、文書階層とクロスリージョン関係をナビゲート可能なグラフに整理し、位置、ナビゲーション、拡張、フェッチのためのグラフ操作を公開し、十分な証拠が収集されるまで検索をガイドする進化したエビデンス状態を維持します。
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7.8\%と17.7\%改善している。
関連論文リスト
- Training Documents Reranker with Search Rubrics for Deep Research Agent [54.08506174105984]
本稿では,高品質な文書集合が満たすべき要件をテキスト的に定義する検索指向のルーブリックを提案する。
さらに、検索したドキュメントから高品質なサブセットを選択するために、ドキュメントリランカ textbfRubricRanker をトレーニングします。
論文 参考訳（メタデータ） (2026-08-04T12:11:14Z) - DocAtlas: Long-Document Understanding as Mutable-State Interaction [67.90400271544678]
本稿では,長期文書理解を可変状態情報探索プロセスとして扱うDocAtlasを提案する。
ドキュメントと質問が与えられた後、DocAtlasは検索、読み取り、メモ取り、レビューツールを公開し、階層的なツリーとノートストアを維持し、エージェントが証拠を記録するように更新する。
GPT-5.4では、DocAtlasはMMLongBench-Docで71.4%に達し、65.8%という人間の専門的基準を超えた。
論文 参考訳（メタデータ） (2026-07-21T09:45:34Z) - 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) - HMARS: A Hierarchical Multi-Agent Memory System for Long-Context Reasoning [17.783618926697066]
長いコンテキスト推論は、文書、対話、相互作用履歴に散在する証拠にアクセス、検索、統合するモデルを必要とする。
本研究では,長いコンテキストをフラットな検索コーパスではなく管理メモリとして扱う階層型マルチエージェントメモリシステムであるHMARSを提案する。
論文 参考訳（メタデータ） (2026-06-03T07:15:11Z) - 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) - NaviRAG: Towards Active Knowledge Navigation for Retrieval-Augmented Generation [50.16741209529908]
NaviRAGは、パッシブセグメント検索からアクティブな知識ナビゲーションに移行する新しいフレームワークである。
NaviRAGは従来のRAGベースラインよりも検索リコールとエンドツーエンドの応答性能を一貫して改善することを示す。
論文 参考訳（メタデータ） (2026-04-14T14:07:01Z) - BookRAG: A Hierarchical Structure-aware Index-based Approach for Retrieval-Augmented Generation on Complex Documents [11.158307125677375]
Retrieval-Augmented Generation (RAG)は、外部の複雑なドキュメントから非常に関連性の高い情報をクエリする。
本稿では,階層構造を持つ文書を対象とした新しいRAG手法であるBookRAGを紹介する。
BookRAGは最先端のパフォーマンスを実現し、検索リコールとQA精度の両方において、ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2025-12-03T03:40:49Z) - PDFTriage: Question Answering over Long, Structured Documents [60.96667912964659]
構造化文書をプレーンテキストとして表現することは、これらの文書をリッチな構造でユーザ精神モデルと矛盾する。
本稿では,構造や内容に基づいて,モデルがコンテキストを検索できるPDFTriageを提案する。
ベンチマークデータセットは,80以上の構造化文書に900以上の人間が生成した質問からなる。
論文 参考訳（メタデータ） (2023-09-16T04:29:05Z) - DAPR: A Benchmark on Document-Aware Passage Retrieval [57.45793782107218]
我々は,このタスクemphDocument-Aware Passage Retrieval (DAPR)を提案する。
State-of-The-Art(SoTA)パスレトリバーのエラーを分析しながら、大きなエラー(53.5%)は文書コンテキストの欠如に起因する。
提案するベンチマークにより,検索システムの開発・比較を今後行うことができる。
論文 参考訳（メタデータ） (2023-05-23T10:39:57Z)
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。