論文の概要: Better Decomposition, Free Aggregation: A Synthesizer-Folding Framework for Multilingual Multi-Hop Question Answering
- arxiv url: http://arxiv.org/abs/2608.13160v1
- Date: Thu, 13 Aug 2026 12:25:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.5167
- Title: Better Decomposition, Free Aggregation: A Synthesizer-Folding Framework for Multilingual Multi-Hop Question Answering
- Title（参考訳）: より良い分解, フリーアグリゲーション:多言語マルチホップ質問応答のためのシンセサイザーフォールディングフレームワーク
- Abstract要約: マルチリンガルなマルチホップ質問応答のためのフレームワークであるSyferを紹介する。
Syferは、デフォルトで適用するのではなく、翻訳をデフェクトする。
複数の言語で実験した結果、Syferは競争の正確さを達成できた。
- 参考スコア（独自算出の注目度）: 48.94279718429342
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multilingual retrieval-augmented generation (mRAG) equips large language models with access to globally distributed external knowledge for complex multilingual question answering. Recent approaches either translate retrieved documents into English or the query language to bridge the cross-lingual semantic gap, or decompose a complex query into sub-questions and aggregate the intermediate reasoning process. However, both lines of work suffer from two limitations. First, one-size-fits-all translation alignment, blanket translation discards culturally and linguistically native information unique to the target language, introduces translation noise, and inflates system cost. Second, greedy decomposition and aggregation, uncontrolled decomposition produces redundant sub-questions that compound errors during step-wise reasoning, and the final aggregation over reasoning paths further amplifies these errors. We address both with our method Syfer, a synthesizer-folding framework for multilingual multi-hop question answering that defers translation rather than applying it by default. Syfer first invokes a format-constrained decomposer to produce a sub-question graph in the original language, followed by a decomposition-quality check; when the check passes, sub-questions are answered sequentially under a retrieve-then-answer policy in the target language, and the English translation pathway with bilingual sub-question graph alignment is activated only when the check fails. Experiments across multiple languages show that Syfer attains competitive accuracy while striking a favourable balance between performance and computational cost.
- Abstract（参考訳）: マルチ言語検索拡張生成(mRAG)は、複雑な多言語質問応答のためのグローバルに分散した外部知識にアクセス可能な大規模言語モデルである。
最近のアプローチでは、検索した文書を英語またはクエリ言語に翻訳して言語間セマンティックギャップをブリッジするか、複雑なクエリをサブクエストに分解し、中間的推論プロセスを集約する。
しかし、どちらの作品も2つの限界に悩まされている。
まず,言語固有の文化的・言語的な情報を捨て,翻訳ノイズを導入し,システムコストを膨らませる。
第二に、欲求的な分解と無制御の分解は、ステップワイズ推論中にエラーを複雑にする冗長なサブクエストを生成し、推論経路上の最終的なアグリゲーションはこれらのエラーをさらに増幅する。
両手法ともSyferは多言語マルチホップ質問応答のためのシンセサイザーフォールディングフレームワークで、デフォルトで適用するのではなく、翻訳をデフェクトする。
Syferは、まず、元の言語でサブクエストグラフを生成するために、フォーマット制約付きデコンポザを起動し、続いて分解品質チェックを行い、チェックが通過すると、ターゲット言語における検索-then-anwerポリシーの下で、サブクエストを順次回答し、チェックが失敗した場合にのみ、バイリンガルサブクエストグラフアライメントを持つ英語翻訳経路を活性化する。
複数の言語にわたる実験により、Syferは性能と計算コストのバランスを保ちながら、競争精度を達成している。
関連論文リスト
- Multilingual Reasoning Cascades Need More Context [36.84122814591169]
文脈対応翻訳カスケードは、原質問、英訳質問、および、最終翻訳モジュールの文脈にさかのぼる推論を与える。
本研究は,誤りの伝播を緩和するために,機械翻訳カスケードにおける情報フローのより良い設計の必要性を強調した。
論文 参考訳（メタデータ） (2026-06-25T17:26:46Z) - Disentangling Language Roles in Multilingual LLM Task Execution [17.182371695349385]
MTM-Benchは言語条件のタスク実行のためのベンチマークである。
27のトリプレットをすべて列挙し、セマンティック・リバーサル、最終状態抽出、言語純度にまたがるモデル毎に2,430のインスタンスを含む。
セマンティックな正当性,目標言語順守,制約満足度,汚染率,共同成功の指標を用いて,20のフロンティアとオープンウェイトLLMを評価した。
論文 参考訳（メタデータ） (2026-05-26T20:09:34Z) - DaPT: A Dual-Path Framework for Multilingual Multi-hop Question Answering [41.923993964253405]
本稿では,多言語コーパスとクエリをまたいで検索する新しいフレームワークを提案する。
DaPTは、ソース言語クエリと英訳クエリの両方に並列にサブクエリグラフを生成する。
DaPTは、ベースラインよりも正確で簡潔な答えを得る。
論文 参考訳（メタデータ） (2026-03-19T16:23:04Z) - Multilingual vs Crosslingual Retrieval of Fact-Checked Claims: A Tale of Two Approaches [8.127643463046516]
マルチリンガルおよびクロスリンガルのパフォーマンスを改善するための戦略を検討する。
47言語におけるポストとクレームを含むデータセットに対するアプローチを評価する。
最も重要なことは、多言語性は多言語性よりも独自の特徴を持つセットアップであることが示される。
論文 参考訳（メタデータ） (2025-05-28T08:47:10Z) - Understanding and Mitigating Language Confusion in LLMs [76.96033035093204]
我々は,既存の英語および多言語プロンプトを用いた15の型的多様言語の評価を行った。
Llama Instruct と Mistral のモデルでは,言語的混乱の度合いが高いことがわかった。
言語混乱は,数発のプロンプト,多言語SFT,選好調整によって部分的に緩和できることがわかった。
論文 参考訳（メタデータ） (2024-06-28T17:03:51Z) - Pre-training Cross-lingual Open Domain Question Answering with Large-scale Synthetic Supervision [44.04243892727856]
言語間のオープンドメイン質問応答は複雑な問題である。
CLQAは単一エンコーダデコーダモデルを用いて処理可能であることを示す。
ウィキペディア内の言語間リンク構造を利用した自己教師型手法を提案する。
論文 参考訳（メタデータ） (2024-02-26T11:42:29Z) - Modeling Sequential Sentence Relation to Improve Cross-lingual Dense Retrieval [80.43859162884353]
マスク付き文モデル(MSM)と呼ばれる多言語多言語言語モデルを提案する。
MSMは、文表現を生成する文エンコーダと、文書から文ベクトルのシーケンスに適用される文書エンコーダとから構成される。
モデルをトレーニングするために,サンプル負の階層的コントラスト損失によって文ベクトルをマスクし,予測するマスク付き文予測タスクを提案する。
論文 参考訳（メタデータ） (2023-02-03T09:54:27Z) - Bridging Cross-Lingual Gaps During Leveraging the Multilingual
Sequence-to-Sequence Pretraining for Text Generation [80.16548523140025]
プレトレインとファインチューンの間のギャップを埋めるために、コードスイッチングの復元タスクを追加して、バニラプレトレイン-ファインチューンパイプラインを拡張します。
提案手法は,言語間文表現距離を狭くし,簡単な計算コストで低周波語翻訳を改善する。
論文 参考訳（メタデータ） (2022-04-16T16:08:38Z) - Zero-Shot Cross-lingual Semantic Parsing [56.95036511882921]
7つのテスト言語に対する並列データを持たないゼロショット問題として,言語間セマンティックパーシングについて検討した。
英文論理形式ペアデータのみを用いて解析知識を付加言語に転送するマルチタスクエンコーダデコーダモデルを提案する。
このシステムは、ゼロショット解析を潜時空間アライメント問題としてフレーム化し、事前訓練されたモデルを改善し、最小のクロスリンガル転送ペナルティで論理形式を生成することができる。
論文 参考訳（メタデータ） (2021-04-15T16:08:43Z) - Multilingual Answer Sentence Reranking via Automatically Translated Data [97.98885151955467]
本稿では,現代の質問応答システム(QA)のコアコンポーネントである,多言語回答文選択(AS2)モデルの設計について述べる。
主なアイデアは、あるリソースリッチ言語(英語など)から、他の言語へのデータ転送であり、リソースの観点からはよりリッチである。
論文 参考訳（メタデータ） (2021-02-20T03:52:08Z)
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。