論文の概要: IterCOMP: Reasoning-aware Adaptive Prompt Compression for Multi-hop Question Answering

• arxiv url: http://arxiv.org/abs/2608.13588v1
• Date: Sun, 12 Jul 2026 04:31:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.210946
• Title: IterCOMP: Reasoning-aware Adaptive Prompt Compression for Multi-hop Question Answering
• Title（参考訳）: IterCOMP:マルチホップ質問応答のための推論対応プロンプト圧縮
• Abstract要約: IterCOMPは、反復圧縮ループ内にマルチホップ推論を組み込んだトレーニングフリーのプロンプト圧縮フレームワークである。 MusiQue、2WikiMultiHopQA、HotpotQAの実験は、IterCOMPがExact MatchとF1スコアを大幅に改善したことを示している。
• 参考スコア（独自算出の注目度）: 19.37201042661162
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-hop question answering requires complex reasoning across multiple evidence segments, which often overwhelms retrieval-augmented generation systems with lengthy and noisy contexts, thereby undermining both efficiency and accuracy. While existing prompt compression methods attempt to address this issue, they are typically designed for single-turn queries and fail to capture interdependent reasoning steps. We propose IterCOMP, a unified, training-free prompt compression framework that incorporates multi-hop reasoning within an iterative compression loop. IterCOMP decomposes documents into evidence segments, evaluates question answerability, and generates targeted follow-up questions to iteratively integrate essential evidence, producing a compact, reasoning-oriented prompt. Experiments on MusiQue, 2WikiMultiHopQA, and HotpotQA demonstrate that IterCOMP achieves substantial improvements in Exact Match and F1 scores while reducing the token budget, outperforming existing baselines and exhibiting robustness as reasoning complexity increases.
• Abstract（参考訳）: マルチホップ質問応答は複数のエビデンスセグメントにまたがる複雑な推論を必要とするため、長大でノイズの多い検索拡張生成系を圧倒し、効率と精度の両方を損なう。 既存のプロンプト圧縮手法はこの問題に対処しようとするが、通常はシングルターンクエリ用に設計されており、相互依存の推論ステップをキャプチャできない。 我々は,反復圧縮ループ内にマルチホップ推論を組み込んだ,統合された訓練不要なプロンプト圧縮フレームワークであるIterCOMPを提案する。 IterCOMPは文書をエビデンスセグメントに分解し、質問応答性を評価し、標的となる質問を生成し、本質的なエビデンスを反復的に統合し、コンパクトで推論指向のプロンプトを生成する。 MusiQue、2WikiMultiHopQA、HotpotQAの実験は、IterCOMPがExact MatchとF1のスコアを大幅に改善し、トークン予算を削減し、既存のベースラインを上回り、推論の複雑さが増加するにつれて堅牢性を示すことを示した。

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)
• CompactRAG: Reducing LLM Calls and Token Overhead in Multi-Hop Question Answering [15.281365738928415]
  既存のマルチホップRAGシステムは、各ステップで検索と推論を交互に行う。 オンライン推論からオフラインコーパス再構成を分離するフレームワークであるCompactRAGを提案する。 HotpotQA, 2WikiMultiHopQA, MuSiQue の実験では, CompactRAG がトークン消費を大幅に削減し,競争精度を向上することを示した。
  論文  参考訳（メタデータ） (2026-02-05T14:52:06Z)
• PRISM: Agentic Retrieval with LLMs for Multi-Hop Question Answering [10.971852280240357]
  本稿では,大規模言語モデル(LLM)を構造化ループで活用し,高い精度で関連する証拠を検索するエージェント検索システムを提案する。 我々のフレームワークは3つの専門的なエージェントで構成されている: マルチホップ質問をサブクエストに分解する質問アナライザ、サブクエスト毎に最も関連性の高いコンテキストを特定するセレクタ、そして、欠けている証拠をもたらすアダである。
  論文  参考訳（メタデータ） (2025-10-16T04:02:29Z)
• Resource-Friendly Dynamic Enhancement Chain for Multi-Hop Question Answering [21.077964610022313]
  この研究はDEC(Dynamic Enhancement Chain)と呼ばれる新しいフレームワークを提案する。 DECはまず複雑な質問を論理的に一貫性のあるサブクエストに分解し、幻覚のない推論連鎖を形成する。 その後、コンテキスト対応の書き換えによってこれらのサブクエストを反復的に洗練し、効率的なクエリの定式化を生成する。
  論文  参考訳（メタデータ） (2025-06-21T11:55:27Z)
• 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)
• BRIEF: Bridging Retrieval and Inference for Multi-hop Reasoning via Compression [91.23933111083389]
  Retrieval-augmented Generation (RAG)は、外部知識を統合することで、大きな言語モデル(LLM)を補完することができる。 本稿では,クエリ対応マルチホップ推論を行う軽量なアプローチであるBRIEFを提案する。 オープンソースモデルで構築した合成データに基づいて,BRIEFはより簡潔な要約を生成する。
  論文  参考訳（メタデータ） (2024-10-20T04:24:16Z)
• 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)
• Answering Any-hop Open-domain Questions with Iterative Document Reranking [62.76025579681472]
  オープンドメインの問に答える統合QAフレームワークを提案する。 提案手法は,シングルホップおよびマルチホップのオープンドメインQAデータセットにおいて,最先端技術に匹敵する性能を継続的に達成する。
  論文  参考訳（メタデータ） (2020-09-16T04:31:38Z)

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。