論文の概要: Better Retrieval, Worse Robustness:How Multi-hop RAG Amplifies Upstream ASR Errors

• arxiv url: http://arxiv.org/abs/2608.22872v1
• Date: Mon, 24 Aug 2026 06:59:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.916664
• Title: Better Retrieval, Worse Robustness:How Multi-hop RAG Amplifies Upstream ASR Errors
• Title（参考訳）: 検索精度が向上し、ロバスト性が向上する:マルチホップRAGが上流ASRエラーを増幅する方法
• Authors: Zhenghua Bao,
• Abstract要約: 音声ベースのアプリケーションは、任意の検索モジュールの前に自動音声認識(ASR)を介して音声クエリを渡す。 我々は、標準的な検索強化生成(RAG)への2つの拡張、エンティティグラフリンク、反復的な改定、吸収または増幅の2つの拡張を経験的に検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speech-based applications pass spoken queries through automatic speech recognition (ASR) before any retrieval module, so ASR errors enter the pipeline as a fixed upstream constraint. We empirically test whether two extensions to standard retrieval-augmented generation (RAG), entity-graph linking and iterative reformulation, absorb or amplify these errors. Using four English accents synthesized through neural TTS, we evaluate four RAG configurations on three multi-hop QA benchmarks (HotpotQA, 2WikiMultiHopQA and MuSiQue) against a clean-text oracle. Although the structurally richer configurations generally retain higher absolute F1 under ASR input, both extensions amplify the error: the F1 gap from clean text to the highest-WER accent is 36-67% larger under their combination than under naive dense retrieval, on all three benchmarks. The dominant failure mode is corruption of one or more query entities, accounting for 87-96% of degradation cases on 2WikiMultiHopQA across all four methods. Two lightweight surface-form mitigations leave most of the gap intact, indicating that downstream retrieval structure amplifies remaining entity errors. We release code and data at https://github.com/ZhenghuaBao/spoken-multihop-rag .
• Abstract（参考訳）: 音声ベースのアプリケーションは、任意の検索モジュールの前に自動音声認識(ASR)を介して音声クエリを渡すため、ASRエラーは固定上流制約としてパイプラインに入る。 我々は、標準的な検索強化生成(RAG)への2つの拡張、エンティティグラフリンク、反復的な改定、吸収または増幅の2つの拡張を経験的に検証する。 ニューラルネットワークを用いて合成した4つの英語アクセントを用いて、3つのマルチホップQAベンチマーク(HotpotQA, 2WikiMultiHopQA, MuSiQue)のRAG構成をクリーンテキストオラクルに対して評価した。 構造的にリッチな構成は一般的にASR入力下では高い絶対値F1を保持するが、どちらの拡張も誤りを増幅する: クリーンテキストから最高値WERアクセントへのF1ギャップは、単純な3つのベンチマークでより36～67%大きい。 主要な障害モードは1つ以上のクエリエンティティの破損であり、すべての4つのメソッドで2WikiMultiHopQAの分解ケースの87-96%を占める。 2つの軽量な表面形状緩和はギャップの大部分を無傷で残しており、下流の検索構造が残っていたエンティティエラーを増幅していることを示している。 コードとデータはhttps://github.com/ZhenghuaBao/spoken-multihop-rag で公開しています。

関連論文リスト

• Towards Human-Like Interactive Speech Recognition With Agentic Correction and Semantic Evaluation [53.844308305341166]
  単一パスのASRフロントエンドと意味的訂正,意図のルーティング,推論に基づく編集を組み合わせた閉ループフレームワークである textbfAgentic ASR を提案する。 複数言語、名前付き集中型、コードスイッチングベンチマークの実験は、反復的相互作用が意味的誤りを一貫して減少させることを示している。
  論文  参考訳（メタデータ） (2026-05-28T06:23:31Z)
• S2G-RAG: Structured Sufficiency and Gap Judging for Iterative Retrieval-Augmented QA [20.283357470094774]
  本稿では,S2G-RAG(Structured Sufficiency and Gap-judging RAG)を提案する。 各ターンで、S2G-Judgeは、現在のエビデンスメモリが応答をサポートするかどうかを予測し、もしそうでなければ、不足した情報を記述した構造化されたギャップアイテムを出力する。 これらのギャップ項目は次のクエリにマッピングされ、安定したマルチターン検索トラジェクトリを生成する。
  論文  参考訳（メタデータ） (2026-04-26T16:17:54Z)
• 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)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• PluriHop: Exhaustive, Recall-Sensitive QA over Distractor-Rich Corpora [0.0]
  PluriHopWINDは、ドイツ語と英語の191の現実世界の風力産業レポートから構築された48のプルホップ質問の診断用多言語データセットである。 PluriHopWIND は他の一般的なデータセットよりも 8-40% の反復性を示し,その有効性を示す。 本稿では,RAGアーキテクチャであるPluriHopRAGを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:22:58Z)
• Evaluating Retrieval-Augmented Generation Systems on Unanswerable, Uncheatable, Realistic, Multi-hop Queries [53.99620546358492]
  実世界のユースケースでは、複雑なクエリを持つRAGシステムが存在し、関連する情報がコーパスから欠落したり、不完全であったりすることが多い。 既存のRAGベンチマークは、マルチホップやスコープ外の質問に対して、現実的なタスクの複雑さを反映することはめったにない。 un$underlinec$heatable, $underliner$ealistic, $underlineu$nanswerable, $underlinem$ulti-hopの自動生成のための最初のパイプラインを提示する。
  論文  参考訳（メタデータ） (2025-10-13T21:38:04Z)
• 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)
• Multimodal Audio-textual Architecture for Robust Spoken Language Understanding [18.702076738332867]
  マルチモーダル言語理解 (MLU) モジュールは、ASR文字の誤りによるSLUの性能劣化を軽減するために提案されている。 本モデルは,3つのSLUデータセットから5つのタスクに対して評価し,3つのASRエンジンからのASR転写を用いてロバスト性を検証した。 その結果、提案手法は、学術的ASRエンジンの全てのデータセットでPLMモデルの性能を上回り、ASRエラー伝播問題を効果的に軽減することを示した。
  論文  参考訳（メタデータ） (2023-06-12T01:55:53Z)

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。