論文の概要: PonsRAG: A Pons-Inspired RAG Bridging Cognitive Islands for Coordinated Long Narrative Reasoning

• arxiv url: http://arxiv.org/abs/2608.25486v1
• Date: Wed, 26 Aug 2026 07:55:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.664175
• Title: PonsRAG: A Pons-Inspired RAG Bridging Cognitive Islands for Coordinated Long Narrative Reasoning
• Title（参考訳）: PonsRAG: コーディネート・ロング・ナラティブ・推論のためのポンズ・インスパイアされたRAGブリッジ認知諸島
• Abstract要約: PonsRAGは2つの重要なコンポーネントで構成されている。Triple-Layer Indexingはドキュメントをコネクテッドな知識構造に整理し、Coordinated Reasoningは異なるレイヤにまたがってエビデンスを取得し、クロスレイヤ情報を統一されたコンテキストに統合する。 PonsRAGを4つの長文ナラティブ・ベンチマークで評価し,実験結果から最強のベースラインを上回り,多目的タスクの平均精度が11.56%向上したことが示された。
• 参考スコア（独自算出の注目度）: 22.077256283530996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long Narrative Reasoning is an essential capability for processing and reasoning over complex narratives. While retrieval-augmented generation provides a promising framework, existing methods still face two critical challenges: cognitive islanding and cross-layer evidence disconnection. To address these issues, we propose PonsRAG, a coordinated RAG framework inspired by the biological pons. PonsRAG consists of two key components: Triple-Layer Indexing, which organizes documents into a connected knowledge structure to bridge cognitive islands, and Coordinated Reasoning, which retrieves evidence across distinct layers and integrates cross-layer information into a unified context. We evaluate PonsRAG on four long-context narrative benchmarks, and experimental results show that it outperforms the strongest baseline, achieving a 11.56% relative improvement in average accuracy on multi-choice tasks.
• Abstract（参考訳）: 長い物語的推論は複雑な物語の処理と推論に欠かせない能力である。 検索強化世代は有望な枠組みを提供するが、既存の手法は認知的な島づくりと層間証拠の切断という2つの重要な課題に直面している。 これらの課題に対処するため,生物ポンにインスパイアされた協調RAGフレームワークであるPonsRAGを提案する。 PonsRAGは2つの重要なコンポーネントで構成されている。Triple-Layer Indexingは、文書を認知島を橋渡しするためのコネクテッドな知識構造に整理し、Coordinated Reasoningは異なる層にまたがる証拠を取得し、層間情報を統一されたコンテキストに統合する。 PonsRAGを4つの長文ナラティブ・ベンチマークで評価し, 実験結果から, 多目的タスクの平均精度が11.56%向上し, 最強のベースラインを達成できた。

関連論文リスト

• Hierarchical Evidence-Driven Reasoning for Long Document Understanding [95.51688464037096]
  閉領域文書理解のための階層的・エビデンス駆動型マルチモーダルRAGフレームワークであるHIEVI-RAGを紹介する。 我々のフレームワークは、既存のオープンソースベースラインを著しく上回り、最強の報告ベースラインを平均8.05%の精度で上回ります。
  論文  参考訳（メタデータ） (2026-07-06T03:08:28Z)
• NaviRAG: Towards Active Knowledge Navigation for Retrieval-Augmented Generation [50.16741209529908]
  NaviRAGは、パッシブセグメント検索からアクティブな知識ナビゲーションに移行する新しいフレームワークである。 NaviRAGは従来のRAGベースラインよりも検索リコールとエンドツーエンドの応答性能を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-04-14T14:07:01Z)
• CodaRAG: Connecting the Dots with Associativity Inspired by Complementary Learning [50.98972985136333]
  CodaRAGは、受動的検索からアクティブな連想発見へと進化するフレームワークである。 CodaRAGは、検索リコールで7-10%、生成精度で3-11%という絶対的なゲインを達成する。
  論文  参考訳（メタデータ） (2026-04-12T02:50:40Z)
• PruneRAG: Confidence-Guided Query Decomposition Trees for Efficient Retrieval-Augmented Generation [19.832367438725306]
  PruneRAGは、安定かつ効率的な推論を行うために構造化されたクエリ分解ツリーを構築する。 我々は,ゴールデンエビデンスを回収するが正しく使用しない事例を定量化するための指標として,エビデンス予測率を定義した。
  論文  参考訳（メタデータ） (2026-01-16T06:38:17Z)
• GRADE: Generating multi-hop QA and fine-gRAined Difficulty matrix for RAG Evaluation [5.002953635224383]
  Retrieval-Augmented Generation (RAG) システムは知識集約型NLPタスクに広く採用されている。 現在の評価は、実世界のシナリオで必要とされる構造的な複雑さと多段階の推論を見落としていることが多い。 タスクの難易度を2次元でモデル化する新しい評価フレームワークであるtextscGRADEを提案する。
  論文  参考訳（メタデータ） (2025-08-23T11:26:41Z)
• ComoRAG: A Cognitive-Inspired Memory-Organized RAG for Stateful Long Narrative Reasoning [30.64878954885555]
  コモラグは、物語的推論は単発の過程ではなく、新しい証拠獲得と過去の知識の融合の間の動的で進化的な相互作用である、という原則を掲げて提案する。 各サイクルにおいて、ComoRAGは新しい探索経路を考案するための探索クエリを生成し、検索した新しい側面の証拠をグローバルメモリプールに統合する。 ComoRAGは、グローバルなコンテキスト理解を必要とする複雑なクエリに対して特に有利である。
  論文  参考訳（メタデータ） (2025-08-14T07:52:09Z)
• Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
  Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。 逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。 この調査は両鎖を統一的推論-検索の観点から合成する。
  論文  参考訳（メタデータ） (2025-07-13T03:29:41Z)
• HiRA: A Hierarchical Reasoning Framework for Decoupled Planning and Execution in Deep Search [85.12447821237045]
  HiRAは、戦略的な計画と専門的な実行を分離する階層的なフレームワークである。 提案手法では,複雑な探索タスクを集中サブタスクに分解し,各サブタスクを外部ツールと推論機能を備えたドメイン固有エージェントに割り当てる。 4つの複雑なクロスモーダルなディープ・サーチ・ベンチマークの実験により、HiRAは最先端のRAGとエージェント・ベース・システムを大きく上回っていることが示された。
  論文  参考訳（メタデータ） (2025-07-03T14:18:08Z)
• DualRAG: A Dual-Process Approach to Integrate Reasoning and Retrieval for Multi-Hop Question Answering [57.875992666888855]
  MHQA(Multi-Hop Question Answering)タスクは、多様な知識領域にまたがる多段階推論のオーケストレーションにおいて課題となる。 推論と検索をシームレスに統合する相乗的デュアルプロセスフレームワークであるDualRAGを提案する。
  論文  参考訳（メタデータ） (2025-04-25T10:43:53Z)

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。