Fugu-MT 論文翻訳(概要): MEGRAG: Multi-Granular Evidence Graphs for Answer-Aware Multi-Hop RAG

論文の概要: MEGRAG: Multi-Granular Evidence Graphs for Answer-Aware Multi-Hop RAG

arxiv url: http://arxiv.org/abs/2608.02195v1
Date: Mon, 03 Aug 2026 13:17:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.576064
Title: MEGRAG: Multi-Granular Evidence Graphs for Answer-Aware Multi-Hop RAG
Title（参考訳）: MEGRAG: Answer-Aware Multi-Hop RAGのためのマルチグラニュラーエビデンスグラフ
Abstract要約: マルチホップ質問応答は、検索強化世代における根本的な課題である。 MeGRAGはパス構造化多粒性エビデンスグラフとしてマルチホップ推論を表現している。 MeGRAGは、結果の中間回答と事前の推論を使用して、初期クエリが解決されたかどうかを判断する。
参考スコア（独自算出の注目度）: 13.995448370079728
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-hop question answering is a fundamental challenge in retrieval-augmented generation (RAG), because deriving an answer requires integrating dispersed evidence. Iterative RAG (iRAG) is widely used for this challenge, but existing methods have two limitations. First, most methods still support each reasoning step with single-granularity evidence, making it difficult to balance information density and contextual noise. Second, existing methods often answer the original question only after aggregating evidence retrieved across intermediate steps, so redundant evidence and intermediate retrieval errors may accumulate and degrade the final answer. To address these limitations, we propose MEGRAG, an answer-aware framework that represents multi-hop reasoning as a path-structured multi-granular evidence graph. Offline, MEGRAG links passages to their sentences and extracted triples through a cross-granularity index. Online, it retrieves passages for the current query and selects aligned evidence, starting with compact triples and adding sentence or passage context as needed. MEGRAG uses the resulting intermediate answer and prior reasoning to decide whether the Initial Query has been resolved. If not, it identifies the missing information and formulates a focused next query; otherwise, it stops retrieval and returns the answer. Extensive experiments demonstrate consistent gains over a diverse set of RAG baselines.
Abstract（参考訳）: マルチホップ質問応答は、解答の導出には分散された証拠を統合する必要があるため、検索強化世代(RAG)の基本的な課題である。この課題には反復RAG(iRAG)が広く用いられているが、既存の手法には2つの制限がある。第一に、ほとんどの手法は、情報密度と文脈ノイズのバランスをとるのが難しく、単一粒度証拠で各推論ステップをサポートしている。第二に、既存の方法では、中間段階にまたがって得られた証拠を集約した後のみ、元の質問に答えることが多いため、冗長な証拠と中間的な検索エラーが最終回答を蓄積し、分解する可能性がある。これらの制約に対処するために,経路構造化多粒性エビデンスグラフとしてマルチホップ推論を表現した応答対応フレームワークMEGRAGを提案する。オフラインでは、MEGRAGは行路を文にリンクし、クロスグラニュラリティインデックスを通じてトリプルを抽出する。オンラインでは、現在のクエリのパスを検索し、コンパクトなトリプルから始まるアライメントを選択し、必要に応じて文やパスコンテキストを追加する。 MEGRAGは、結果の中間回答と事前の推論を使用して、初期クエリが解決されたかどうかを判断する。そうでなければ、欠落した情報を識別し、集中した次のクエリを定式化します。大規模な実験では、多様なRAGベースラインに対して一貫した利得を示す。

関連論文リスト

Beyond One-Shot Expansion: Contrastive Evidence Exploration for Multi-Hop Retrieval [19.37201042661162]
本研究では,エビデンス条件付き探索,パス特化コントラスト改善,カバレッジ対応ファイナルランキングを組み込んだ,トレーニング不要なマルチホップ検索フレームワークを提案する。 MuSiQue、HotpotQA、および2WikiMultihopQAの実験では、ベースラインよりも検索品質と下流QAパフォーマンスが一貫した改善が示されている。
論文参考訳（メタデータ） (2026-09-07T05:13:56Z)
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)
BRIDGE: Benchmark for multi-hop Reasoning In long multimodal Documents with Grounded Evidence [19.79339768762567]
BRIDGEは,長期にわたる科学論文に対するマルチホップ推論のベンチマークである。このデータセットはチェーンライク構造とファンアウト構造の両方をサポートし、明示的なマルチホップ推論アノテーションを提供する。
論文参考訳（メタデータ） (2026-03-09T03:54:08Z)
SentGraph: Hierarchical Sentence Graph for Multi-hop Retrieval-Augmented Question Answering [24.405588261303834]
SentGraphは文レベルグラフベースのRAGフレームワークで、マルチホップ質問応答のための文間のきめ細かい論理的関係を明示的にモデル化する。オンライン検索中、SentGraphはグラフ誘導型エビデンスの選択と経路拡張を行い、きめ細かい文レベルのエビデンスを取得する。
論文参考訳（メタデータ） (2026-01-06T13:39:51Z)
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)
Question Decomposition for Retrieval-Augmented Generation [2.6409776648054764]
本稿では疑問分解をサブクエストに組み込んだRAGパイプラインを提案する。補間的な文書を効果的に組み立てる一方で、再ランク付けによってノイズが減少することを示す。再ランク自体は標準的なものであるが、LLMによる質問分解と既製のクロスエンコーダのペアリングは、マルチホップ質問の検索ギャップを橋渡しすることを示す。
論文参考訳（メタデータ） (2025-07-01T01:01:54Z)
Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
論文参考訳（メタデータ） (2025-05-20T06:44:34Z)
Multi-grained Evidence Inference for Multi-choice Reading Comprehension [62.0773160298008]
MRC(Multi-choice Machine Reading)は、マシンが提供されたオプションに従って質問に答える上で、重要かつ困難なタスクである。多粒性エビデンスを包括的に統合した多粒性エビデンス推論システム(Mugen)を提案する。 Mugen は3つの異なるエビデンスを抽出し、エビデンスを元のパスと統合し、4つのマルチチョイス MRC ベンチマークで顕著で一貫したパフォーマンス改善を達成する。
論文参考訳（メタデータ） (2023-10-27T11:36:18Z)
Answering Questions by Meta-Reasoning over Multiple Chains of Thought [53.55653437903948]
MCR(Multi-Chain Reasoning)は,大規模言語モデルに対して,複数の思考連鎖に対するメタ推論を促す手法である。 MCRは、異なる推論連鎖を調べ、それら間で情報を混合し、説明を生成し、答えを予測する際に最も関係のある事実を選択する。
論文参考訳（メタデータ） (2023-04-25T17:27:37Z)
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)
Unsupervised Alignment-based Iterative Evidence Retrieval for Multi-hop Question Answering [40.58976291178477]
本稿では,単純で高速かつ教師なしの反復的証拠検索手法を提案する。その単純さにもかかわらず,提案手法はエビデンス選択タスクにおいて,従来の手法よりも優れていた。これらのエビデンス文をRoBERTaの回答分類コンポーネントに入力すると、最先端のQA性能が得られる。
論文参考訳（メタデータ） (2020-05-04T00:19:48Z)

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。