論文の概要: A Tree-based RAG Framework for Evidence-Intensive QA via Adaptive Planning and Topology-Aware Evidence Gathering
- arxiv url: http://arxiv.org/abs/2609.04981v1
- Date: Fri, 04 Sep 2026 10:34:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.015299
- Title: A Tree-based RAG Framework for Evidence-Intensive QA via Adaptive Planning and Topology-Aware Evidence Gathering
- Title（参考訳）: アダプティブプランニングとトポロジカル・アウェア・エビデンス・ギャザリングによるツリーベースRAGフレームワーク
- Abstract要約: 最近の構造化RAG法は、木またはグラフに基づく推論構造を利用してマルチホップQAを改善する。
APT-RAG(Adaptive Planning and Topology-Aware evidence gathering RAG framework)を提案する。
証拠集約型QAベンチマークの実験では、APT-RAGは既存の構造化RAG法よりも優れている。
- 参考スコア（独自算出の注目度）: 5.690105879823579
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent structured RAG methods leverage tree- or graph-based reasoning structures to improve multi-hop QA. However, they face key limitations in evidence-intensive QA, where answering a question requires synthesizing information scattered across dozens or even hundreds of documents: structural rigidity, which limits adaptive reasoning expansion, and topology-ignorant evidence gathering, which prevents effective integration of evidence across different reasoning nodes. To address these issues, we propose APT-RAG, an Adaptive Planning and Topology-aware evidence gathering RAG framework. Adaptive planning dynamically expands the reasoning structure based on question dependencies and evidence requirements, while topology-aware evidence gathering improves evidence coverage through sibling evidence reuse, direct retrieval, and evidence aggregation from child nodes. We further introduce evidence-guided batched answer generation to reduce significant generation overhead in evidence-intensive QA. In the experiments on evidence-intensive QA benchmarks, APT-RAG outperforms existing structured RAG methods. Our code is available at https://github.com/hyudsl/APT-RAG.
- Abstract（参考訳）: 最近の構造化RAG法は、木またはグラフに基づく推論構造を利用してマルチホップQAを改善する。
しかし、これらはエビデンス集約的なQAにおいて重要な制限に直面しており、答えには数十から数百の文書に散らばる情報を合成する必要がある: 構造的剛性(英語版)、適応的推論の拡張を制限すること、および、異なる推論ノード間でエビデンスを効果的に統合することを妨げるトポロジに無関係なエビデンス収集である。
これらの課題に対処するために,適応型計画・トポロジ対応エビデンス収集RAGフレームワークであるAPT-RAGを提案する。
アダプティブプランニングは、質問依存や証拠要求に基づく推論構造を動的に拡張する一方、トポロジカルエビデンス収集は、子ノードからのエビデンス再利用、直接検索、エビデンスアグリゲーションアグリゲーションを通じて、エビデンスカバレッジを改善する。
さらに,エビデンス集約型QAにおける生成オーバーヘッドを低減するために,エビデンス誘導型バッチ型回答生成を導入する。
証拠集約型QAベンチマークの実験では、APT-RAGは既存の構造化RAG法よりも優れていた。
私たちのコードはhttps://github.com/hyudsl/APT-RAG.comで公開されています。
関連論文リスト
- HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。
HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。
報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
論文 参考訳（メタデータ） (2026-07-27T23:50:46Z) - 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) - Disco-RAG: Discourse-Aware Retrieval-Augmented Generation [81.53888908988756]
生成プロセスに談話信号を注入する談話認識フレームワークであるディスコRAGを提案する。
提案手法は,チャンク内談話木を構築し,局所階層を捕捉し,クロスパスコヒーレンスをモデル化するためのチャンク間修辞グラフを構築する。
質問応答と長期文書要約ベンチマークの実験から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2026-01-07T20:32:50Z) - Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。
EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。
EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
論文 参考訳（メタデータ） (2025-12-23T08:14:44Z) - RouteRAG: Efficient Retrieval-Augmented Generation from Text and Graph via Reinforcement Learning [69.87510139069218]
Retrieval-Augmented Generation (RAG)は、非パラメトリック知識をLarge Language Models (LLM)に統合する
強化学習(RL)による多ターン推論へのテキストベースRAGの進歩
LLMがマルチターンおよび適応的なグラフテキストハイブリッドRAGを実現するためのRLベースのフレームワークであるモデルを導入する。
論文 参考訳（メタデータ） (2025-12-10T10:05:31Z) - ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。
ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
論文 参考訳（メタデータ） (2025-11-27T19:01:02Z) - FAIR-RAG: Faithful Adaptive Iterative Refinement for Retrieval-Augmented Generation [0.0]
本稿では、標準的なRAGパイプラインを動的にエビデンス駆動の推論プロセスに変換する新しいエージェントフレームワークであるFAIR-RAGを紹介する。
本稿では,HotpotQA,2WikiMultiHopQA,MusiQueなどのマルチホップQAベンチマーク実験を行う。
我々の研究は、高度なRAGシステムにおける信頼性と正確な推論を解き明かすためには、明確なギャップ分析による構造化されたエビデンス駆動の洗練プロセスが不可欠であることを示す。
論文 参考訳（メタデータ） (2025-10-25T15:59:33Z) - 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) - Structure-Augmented Reasoning Generation [23.587337743113228]
Retrieval-Augmented Generation (RAG) システムは、構造化されていない文書コレクションから情報を暗黙的に接続するために、大きな言語モデルに依存するため、複雑なマルチホップ推論では失敗する。
この基本的な制限は、コヒーレントな推論連鎖を可能にする複雑な関係を認識するのではなく、検索された通路を独立した文脈として扱うことに起因している。
SARGは検索後のフレームワークであり、明示的な推論構造を具体化して従来のRAGパイプラインを変換する。
論文 参考訳（メタデータ） (2025-06-10T02:22:32Z) - CDF-RAG: Causal Dynamic Feedback for Adaptive Retrieval-Augmented Generation [3.8808821719659763]
適応検索拡張生成(CDF-RAG)のための因果動的フィードバックを導入する。
CDF-RAGは、クエリを反復的に洗練し、構造化因果グラフを検索し、相互接続された知識ソース間のマルチホップ因果推論を可能にする。
我々は,CDF-RAGを4つの多様なデータセット上で評価し,既存のRAG法よりも応答精度と因果正性を向上させる能力を示した。
論文 参考訳（メタデータ） (2025-04-17T01:15:13Z)
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。