論文の概要: Hi-Q: Hierarchical Evidence-guided Query Refinement for Multi-Hop Question Answering

• arxiv url: http://arxiv.org/abs/2608.30468v1
• Date: Mon, 31 Aug 2026 08:55:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.323193
• Title: Hi-Q: Hierarchical Evidence-guided Query Refinement for Multi-Hop Question Answering
• Title（参考訳）: Hi-Q:マルチホップ質問応答のための階層的エビデンス誘導クエリリファインメント
• Abstract要約: Hi-Qは階層的なクエリ改善のためのエビデンス条件付きフレームワークである。 我々は3つのマルチホップ質問回答(QA)ベンチマークでHi-Qを評価する。
• 参考スコア（独自算出の注目度）: 13.249024309069236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A central bottleneck in multi-hop Question Answering (QA) is that the granularity at which a question is expressed often differs from the granularity at which corpus evidence is retrievable. Existing methods address this mismatch by imposing fixed graph structures over the corpus, by iteratively reformulating the query, or by executing a generated program over it, but these strategies do not explicitly decide when a query unit is already supported by evidence and when it should be refined. We formulate this bottleneck as retrievable granularity discovery and introduce Hi-Q, an evidence-conditioned framework for hierarchical query refinement. At each query node, a resolution operator tests whether retrieved evidence supports the current query unit; resolved nodes terminate, while unresolved nodes are expanded by a dependency-preserving binary operator and checked by a semantic coverage verifier. Hi-Q therefore grows a query tree whose topology is determined by corpus support signals rather than by a fixed decomposition template or a pre-built graph. We evaluate Hi-Q on three multi-hop QA benchmarks, primarily under full-corpus retrieval, where dependent evidence must be located among open-domain distractors rather than within a small annotated pool. In this setting Hi-Q reaches 52.3 EM and 64.0 F1 averaged over the three benchmarks, ahead of the iterative retrieval baseline IRCoT by 15.1 EM / 18.2 F1 on that same average, and ahead of the graph-based RAG baseline PropRAG by 11.5 EM / 12.0 F1 on MuSiQue-full, without corpus-wide graph construction. In the restricted supporting/distractor setting used by prior work, Hi-Q likewise attains the best accuracy, with 57.9 EM and 69.3 F1 on average, ahead of PropRAG by 5.6 EM / 3.9 F1 and IRCoT by 13.7 EM / 15.8 F1. The project page is available at https://hi-q-project.github.io/.
• Abstract（参考訳）: マルチホップ質問回答(QA)における中心的なボトルネックは、質問がしばしば表現される粒度が、コーパス証拠が検索可能な粒度と異なることである。 既存の手法では、コーパス上に固定グラフ構造を挿入したり、クエリを反復的に再構成したり、生成されたプログラムをその上で実行したりすることで、このミスマッチに対処するが、これらの戦略は、クエリユニットがすでに証拠によってサポートされている時期と、それを洗練すべき時期を明示的に決定しない。 我々は、このボトルネックを検索可能な粒度発見として定式化し、階層的なクエリ改善のためのエビデンス条件付きフレームワークであるHi-Qを導入する。 各クエリノードでは、検索されたエビデンスが現在のクエリユニットをサポートするかどうかをテストする。解決されたノードは終了し、未解決ノードは依存保存バイナリ演算子によって拡張され、セマンティックカバレッジ検証器によってチェックされる。 したがって、Hi-Qは、固定された分解テンプレートや事前に構築されたグラフではなく、コーパスサポート信号によってトポロジが決定されるクエリツリーを成長させる。 マルチホップQAベンチマーク(主に全コーパス検索)におけるHi-Qの評価を行った。 この設定では、Hi-Qは3つのベンチマークで平均52.3 EMと64.0 F1に達し、同じ平均で反復検索ベースラインIRCoTを15.1 EM / 18.2 F1で、グラフベースのRAGベースラインPropRAGを11.5 EM / 12.0 F1でMuSiQue-fullで、グラフ全体の構成は行わない。 Hi-Qは前処理で使用される制限されたサポート/ディストリクタ設定において、PropRAGより5.6 EM/3.9 F1、IRCoTは13.7 EM/15.8 F1よりも平均57.9 EMと69.3 F1の精度を達成している。 プロジェクトのページはhttps://hi-q-project.github.io/.com/で公開されている。

関連論文リスト

• PAGE-RAG: Provenance-Aware Graph Evidence Promotion for Fixed-Budget Multi-hop Retrieval-Augmented Generation [13.8041276969708]
  検索増強ジェネレーション(RAG)におけるマルチホップ質問応答は、最終的に読まれる数少ない候補以上の検索の恩恵を受けることが多い。 本稿では,PAGE-RAG(Provenance-Aware Graph Evidence promoted method)を提案する。 PAGE-RAGはプラグインとして、推論指向、圧縮ベース、グラフベース、ドキュメント/チャンクレベルのシステムを含む、報告されたすべてのRAGバックエンドを改善している。
  論文  参考訳（メタデータ） (2026-08-30T12:33:58Z)
• Query-Aware Spreading Activation for Multi-Hop Retrieval over Knowledge Graphs [0.0]
  ほとんどの既存のシステムでは、問題はシードノードのみを設定する。 このアーキテクチャでは、完全なグラフをPythonメモリにロードし、様々なイテレーションで反復的なソルバを必要とする。 そこで我々は,同じクエリ認識を実現する拡散活性化法を提案する。 ステップごとに1つのセマンティックゲートで検索する。
  論文  参考訳（メタデータ） (2026-06-29T11:10:19Z)
• Ontology-Guided Evidence Path Inference for Multi-hop Knowledge Graph Question Answering [5.690260503175008]
  知識グラフ質問応答(KGQA)は、構造化事実を推論することで自然言語による質問に答えることを目的としている。 既存のマルチホップKGQA手法は主にトピック中心の拡張に依存しており、2つの重要な課題に直面している。 マルチホップKGQAのためのオントロジー誘導エビデンスパス推論フレームワークであるOPIを提案する。
  論文  参考訳（メタデータ） (2026-06-26T13:40:51Z)
• QUBRIC: Co-Designing Queries and Rubrics for RL Beyond Verifiable Rewards [68.15832368034815]
  クエリとルーブリックを共同設計するフレームワークを提案する。 QUBRICはSFTベースラインよりもアリーナハードで+5.5ポイントのゲインを達成している。
  論文  参考訳（メタデータ） (2026-06-02T17:53:04Z)
• 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)
• Hierarchical Sequence Iteration for Heterogeneous Question Answering [27.22775290181187]
  本稿では,文書,表,知識グラフを可逆的階層列に線形化する統一フレームワークであるHSEQを紹介する。 HotpotQA(テキスト)、HybridQA/TAT-QA(テーブル+テキスト)、MetaQA(KG)の実験では、強いシングルパス、マルチホップ、エージェントRAGベースラインを高い効率で一貫したEM/F1が得られた。
  論文  参考訳（メタデータ） (2025-10-23T12:48:18Z)
• IfQA: A Dataset for Open-domain Question Answering under Counterfactual Presuppositions [54.23087908182134]
  本稿では,QA(FifQA)と呼ばれる,最初の大規模対実的オープンドメイン質問応答(QA)ベンチマークを紹介する。 IfQAデータセットには3,800以上の質問が含まれている。 IfQAベンチマークによって引き起こされるユニークな課題は、検索と対実的推論の両方に関して、オープンドメインのQA研究を促進することである。
  論文  参考訳（メタデータ） (2023-05-23T12:43:19Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• Open-domain Question Answering via Chain of Reasoning over Heterogeneous Knowledge [82.5582220249183]
  異種知識ソース間のシングル/マルチホップ質問に応答する新しいオープンドメイン質問応答(ODQA)フレームワークを提案する。 分離された証拠を収集するためにレトリバーにのみ依存する従来の方法とは異なり、我々の仲介者は検索された集合に対する推論の連鎖を実行する。 本システムは,2つのODQAデータセットであるOTT-QAとNQに対して,Wikipediaの表や節に対する競合性能を実現する。
  論文  参考訳（メタデータ） (2022-10-22T03:21:32Z)
• Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
  本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。 提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
  論文  参考訳（メタデータ） (2022-02-22T01:34:35Z)
• Learning Query Expansion over the Nearest Neighbor Graph [94.80212602202518]
  グラフクエリ拡張(GQE)が提示され、教師付き方法で学習され、クエリの拡張近傍で集約を実行する。 この技術は既知のベンチマークよりも最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-12-05T19:48:42Z)

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。