論文の概要: EnSI-RAG: Entity-Structure-Indexed Retrieval-Augmented Generation for Long-Document Question Answering

• arxiv url: http://arxiv.org/abs/2608.21252v1
• Date: Fri, 21 Aug 2026 16:05:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.634697
• Title: EnSI-RAG: Entity-Structure-Indexed Retrieval-Augmented Generation for Long-Document Question Answering
• Title（参考訳）: EnSI-RAG:長文質問回答のためのエンティティ構造付き検索生成
• Abstract要約: 本稿では,クエリ非依存のエンティティ中心インデックスを構築するフレームワークであるEnSI-RAGを提案する。 クエリ時、これらのレコードは検索ハンドルとして機能し、LLMは検索したパスを最終回答に合成する。 LoongとOolongにまたがって、EnSI-RAGの平均精度は78.24である。
• 参考スコア（独自算出の注目度）: 15.557103631480445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Question answering (QA) over long, connected documents remains challenging because relevant evidence may span multiple entities and their relationships. Existing retrieval-augmented generation (RAG) methods typically index documents as raw chunks and retrieve them through embedding similarity. Their performance degrades when chunk boundaries separate entities from supporting evidence or when a question requires multi-hop reasoning across the corpus. We propose EnSI-RAG (Entity-Structure-Indexed Retrieval-Augmented Generation), a framework that constructs a query-independent, entity-centered index. Each record (e, t, k, v) represents an entity e, its type t, a semantic category k in {property, relation, aspect}, and a value v, while retaining links to the original source passages. At query time, these records serve as retrieval handles, and an LLM synthesizes the retrieved passages into the final answer. This design separates evidence localization from answer synthesis while preserving traceable source evidence. Across Loong and Oolong, EnSI-RAG achieves an average accuracy of 78.24. Relative to the published baseline scores used as references, this is 6.62 points higher, suggesting its effectiveness across these settings. The code is available at https://github.com/RamonMeng/EnSI-RAG.
• Abstract（参考訳）: 関連性のある証拠が複数のエンティティとそれらの関係にまたがる可能性があるため、長く接続された文書に対する質問応答(QA)は依然として困難である。 既存の検索拡張生成法(RAG)は通常、文書を生のチャンクとしてインデックス化し、埋め込み類似性を通じてそれらを検索する。 それらの性能は、チャンク境界がエビデンスからエンティティを分離する場合や、質問がコーパスを横断するマルチホップ推論を必要とする場合に低下する。 本稿では,クエリに依存しないエンティティ中心インデックスを構築するフレームワークであるEnSI-RAG(Entity-Structure-Indexed Retrieval-Augmented Generation)を提案する。 それぞれのレコード (e, t, k, v) はエンティティ e,その型 t, {property, relation, aspects} の意味圏 k,および値 v を表し、元のソースパスへのリンクを保持する。 クエリ時、これらのレコードは検索ハンドルとして機能し、LLMは検索したパスを最終回答に合成する。 この設計は、トレーサブルな情報源証拠を保持しながら、答え合成からエビデンスローカライゼーションを分離する。 LoongとOolongにまたがって、EnSI-RAGの平均精度は78.24である。 基準として使用されるベースラインスコアに対して、これは6.62ポイント高く、これらの設定で有効であることが示唆されている。 コードはhttps://github.com/RamonMeng/EnSI-RAGで公開されている。

関連論文リスト

• VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
  VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。 100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。 強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
  論文  参考訳（メタデータ） (2026-08-18T15:23:06Z)
• ReContext: Recursive Evidence Replay as LLM Harness for Long-Context Reasoning [78.94047086588078]
  長文推論のための LLM Harness として再帰的証拠を提案する。 長文推論を改善するための訓練不要推論法である。 128Kのコンテキスト長を持つ8つの長文データセットの実験は、エビデンスの利用を一貫して改善していることを示している。
  論文  参考訳（メタデータ） (2026-07-02T17:59:26Z)
• Query Symbolically or Retrieve Semantically? A Dataset and Method for Semi-Structured Question Answering [2.6264656632831667]
  DualGraphは2つの補完的なビューを通じて文書を表現している。意味検索のためのテキスト知識グラフと、型付き主語-述語-オブジェクトトリプルに対するシンボリッククエリのためのシンボリック知識グラフである。 我々はまた、半構造化された製品ドキュメントと、オープンエンドおよび仕様指向の検索にまたがる手動でキュレートされた質問を備えた商用ショッピングウェブサイトのベンチマークであるSpecsQAを紹介します。実験により、DualGraphは、質問タイプ全体にわたって、最先端の密検索、GraphRAG、シンボリック、テーブル指向のベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-26T15:22:42Z)
• MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries [2.756584457554517]
  Map-Disambiguate-Enrich-Reduce (MDER)はコンテキスト由来の3重記述を生成し、エンティティレベルの要約と統合する。 Decompose-Resolve (DR)は、ユーザクエリを解決可能なトリプルに分解し、知識グラフに格納する。 MDERとDRはLLM駆動のQAパイプラインを形成し、スパース、不完全、複雑なリレーショナルデータに対して堅牢である。
  論文  参考訳（メタデータ） (2026-03-11T18:38:44Z)
• 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)
• Chain of Retrieval: Multi-Aspect Iterative Search Expansion and Post-Order Search Aggregation for Full Paper Retrieval [68.71038700559195]
  The Chain of Retrieval (COR) is a novel repeaterative framework for full-paper search。 SCIBENCH(SCIBENCH)は、クエリと候補のための全論文の完全なコンテキストとセグメント化されたコンテキストを提供するベンチマークである。
  論文  参考訳（メタデータ） (2025-07-14T08:41:53Z)
• SlimRAG: Retrieval without Graphs via Entity-Aware Context Selection [38.200971604630524]
  SlimRAGはグラフのない検索のための軽量フレームワークである。 構造が重いコンポーネントを、シンプルで効果的なエンティティ認識メカニズムで置き換える。 実験により、SlimRAGは強い平坦線とグラフベースのベースラインよりも精度が高いことが示された。
  論文  参考訳（メタデータ） (2025-06-15T15:36:17Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• Hierarchical Retrieval with Evidence Curation for Open-Domain Financial Question Answering on Standardized Documents [9.173952465423966]
  標準化されたドキュメントは、反復的なボイラープレートテキストや同様のテーブル構造など、同様のフォーマットを共有している。 この類似性により、従来のRAGメソッドは、ほぼ重複したテキストを誤識別し、精度と完全性を損なう重複検索につながる。 本稿では,これらの問題に対処するためのEvidence Curationフレームワークを用いた階層検索手法を提案する。
  論文  参考訳（メタデータ） (2025-05-26T11:08:23Z)
• SiReRAG: Indexing Similar and Related Information for Multihop Reasoning [96.60045548116584]
  SiReRAGは、類似情報と関連する情報の両方を明示的に考慮する新しいRAGインデックス方式である。 SiReRAGは、3つのマルチホップデータセットの最先端インデックス手法を一貫して上回る。
  論文  参考訳（メタデータ） (2024-12-09T04:56:43Z)
• Bridging the Gap Between Indexing and Retrieval for Differentiable Search Index with Query Generation [98.02743096197402]
  Differentiable Search Index (DSI) は情報検索の新たなパラダイムである。 そこで我々は, DSI-QG と呼ばれる, DSI のための簡易かつ効果的な索引付けフレームワークを提案する。 DSI-QG が元の DSI モデルより有意に優れていたことを示す。
  論文  参考訳（メタデータ） (2022-06-21T06:21:23Z)

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。