論文の概要: D$^2$F-ReAG: Dynamic Decomposition and Filtering for Multi-Hop Reasoning-Augmented Generation

• arxiv url: http://arxiv.org/abs/2608.04444v1
• Date: Wed, 05 Aug 2026 04:41:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.725069
• Title: D$^2$F-ReAG: Dynamic Decomposition and Filtering for Multi-Hop Reasoning-Augmented Generation
• Title（参考訳）: D$2$F-ReAG:マルチホップ推論生成のための動的分解とフィルタリング
• Authors: Jiaoyang Li, Junhao Ruan, Shengwei Tang, Kaiyan Chang, Zhengtao Yu, Tong Xiao, Jingbo Zhu,
• Abstract要約: 大規模言語モデル(LLM)は、静的内部知識に依存しているため、しばしば不正確な答えを生成する。 Retrieval-augmented Generation (RAG) は、外部知識の統合とシングルホップクエリの高速化によって、この制限に対処する。 グラフ構造化RAGや質問分解のような既存の手法は、しばしば動的分解と効果的なフィルタリングを欠いている。 マルチホップ推論強化ジェネレーション(D2F-ReAG)のための動的分解とフィルタリングを提案する。
• 参考スコア（独自算出の注目度）: 44.30305229446082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) often generate inaccurate answers due to their reliance on static internal knowledge. Retrieval-augmented generation (RAG) addresses this limitation by integrating external knowledge and excelling at single-hop queries. However, it struggles with multi-hop questions that require cross-document reasoning. Existing methods, such as graph structured RAG or question decomposition, often lack dynamic decomposition and effective filtering, which leads to lower efficiency and accuracy. To overcome these limitations, we propose Dynamic Decomposition and Filtering for Multi-Hop Reasoning-Augmented Generation (D2F-ReAG), a novel paradigm that adaptively controls reasoning depth by judging the reliability of the root-level reasoning. If the root reasoning is reliable, the model directly generates the answer. Otherwise, the question is logically decomposed into sub-questions, and the verified reasoning derived from these sub-questions is used to refine the root reasoning. Experiments on three multi-hop benchmarks demonstrate the effectiveness of our method in handling complex multi-hop questions.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、静的内部知識に依存しているため、しばしば不正確な答えを生成する。 Retrieval-augmented Generation (RAG) は、外部知識の統合とシングルホップクエリの高速化によって、この制限に対処する。 しかし、クロスドキュメント推論を必要とするマルチホップ問題に苦慮している。 グラフ構造化RAGや質問分解のような既存の手法は、しばしば動的分解と効果的なフィルタリングを欠いているため、効率と精度が低下する。 これらの制約を克服するために,ルートレベルの推論の信頼性を判断して推論深度を適応的に制御する新しいパラダイムであるマルチホップ推論拡張生成(D2F-ReAG)の動的分解とフィルタリングを提案する。 ルート推論が信頼できる場合、モデルは直接その答えを生成する。 さもなくば、問題は論理的にサブクエストに分解され、これらのサブクエストから導かれる検証された推論は根の推論を洗練するために用いられる。 3つのマルチホップベンチマーク実験により,複雑なマルチホップ問題に対する我々の手法の有効性が示された。

関連論文リスト

• THOR: A Theta-Gamma Hierarchical Oscillatory Reasoning Framework for Multi-hop QA [1.2768798535259775]
  マルチホップ質問応答には、複数のコンテキストからエビデンスを取り出し、統合する必要がある。 THORはTheta-Gammaの階層的振動にインスパイアされ、グローバルな計画が局所的な検索から切り離される。 THORは、制限を緩和しながら応答精度と堅牢性を改善し、その一般化を異なるバックボーンで示す。
  論文  参考訳（メタデータ） (2026-05-15T03:01:22Z)
• CRAFT: Calibrated Reasoning with Answer-Faithful Traces via Reinforcement Learning for Multi-Hop Question Answering [19.391824811629125]
  Retrieval-augmented Generation (RAG) は、大規模言語モデル(LLM)をマルチホップ質問応答に利用するために広く使われている。 マルチホップQAにおける推論は,マルチホップ構成により本質的に複雑であり,ノイズ検索によりさらに不安定となる。 CRAFTは、応答生成時に忠実な推論を行うためにモデルを訓練する強化学習フレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T17:33:39Z)
• Reasoning in Trees: Improving Retrieval-Augmented Generation for Multi-Hop Question Answering [14.456873356080186]
  Reasoning Tree Guided RAG (RT-RAG) は複雑なマルチホップQAのための新しい階層的フレームワークである。 RT-RAGは、マルチホップ質問を明示的な推論木に体系的に分解し、不正確な分解を最小限にする。
  論文  参考訳（メタデータ） (2026-01-16T13:02:25Z)
• Optimizing Question Semantic Space for Dynamic Retrieval-Augmented Multi-hop Question Answering [28.09833765246606]
  Q-DREAMは,(1)質問分解モジュール (QDM) と(2)質問依存モジュール (SDOM) の3つの主要なモジュールから構成される。 様々なベンチマーク実験の結果、Q-DREAMは既存のRAGメソッドよりも大幅に優れており、ドメイン内およびドメイン外の両方で最先端の性能を実現している。
  論文  参考訳（メタデータ） (2025-05-31T09:57:07Z)
• 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)
• FLARE: Faithful Logic-Aided Reasoning and Exploration [47.46564769245296]
  タスク分解を用いて問題空間をトラバースする新しい手法を提案する。 我々はLarge Language Modelsを使ってソリューションを計画し、クエリを事実に軟式化し、論理プログラミングコードを使って述語する。 提案手法は,生成したコードに対する推論プロセスの忠実度を計算し,外部の解法に頼らずにマルチホップ探索のステップを解析する。
  論文  参考訳（メタデータ） (2024-10-14T19:39:11Z)
• Understanding and Improving Zero-shot Multi-hop Reasoning in Generative Question Answering [85.79940770146557]
  マルチホップ質問を複数の単一ホップ質問に分解する。 これらの対の見かけ上同一の問合せ連鎖について、QAモデルの答えに顕著な矛盾が認められる。 シングルホップの質問だけを訓練すると、モデルはマルチホップの質問に対してあまり一般化しない。
  論文  参考訳（メタデータ） (2022-10-09T11:48:07Z)
• 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)

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。