論文の概要: Don't Lose Entities from Retrieval to Generation: Dual Entity Recovery RAG for multi-hop QA

• arxiv url: http://arxiv.org/abs/2609.06065v1
• Date: Sat, 05 Sep 2026 12:52:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 11:43:14.236954
• Title: Don't Lose Entities from Retrieval to Generation: Dual Entity Recovery RAG for multi-hop QA
• Title（参考訳）: 検索から生成までエンティティを失わない:マルチホップQAのためのデュアルエンティティリカバリRAG
• Abstract要約: どちらの形式の分解も、同じ脆弱性、エンティティ情報の損失を共有しており、この損失はパイプラインを2つの別々のポイントで破壊することを示す。 本稿では,2つの軽量コンポーネントによる検索から生成までの基底エンティティを明示的に保持するDual Entity Recovery RAG (DER-RAG)を提案する。
• 参考スコア（独自算出の注目度）: 6.545870094085958
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented multi-hop question answering (QA) decomposes a query into sub-questions and decomposes the corpus into smaller retrieval units such as sentences. Both forms of decomposition improve the pipeline, but we show that both share the same vulnerability, the loss of entity information, and that this loss breaks the pipeline at two separate points. The first point is retrieval, where a sub-question loses the entity resolved at the previous hop, leaving the retriever with nothing to match against. The second point is harder to see, because retrieval still appears to succeed. Once a passage is split into sentences, an isolated sentence loses the context that grounds its pronouns, so even with the correct sentence in hand the LLM cannot tell which entity the sentence is about. We isolate this second point as a distinct failure mode that we call lost-in-generation, and a retrieval-controlled experiment shows that it degrades answers even when the gold evidence is fixed in the context. We then propose Dual Entity Recovery RAG (DER-RAG), which keeps the grounding entity explicit from retrieval through to generation with two lightweight components, a two-way query decomposition that carries the resolved entity across sub-questions and a subject entity prefix attached to each sentence at generation time. DER-RAG needs no graph construction, no corpus modification, and no fine-tuning, yet on three multi-hop QA benchmarks it matches or exceeds strong baselines, including graph-based methods that depend on costly offline structures.
• Abstract（参考訳）: Retrieval-augmented multi-hop question answering (QA)は、クエリをサブクエストに分解し、コーパスを文などのより小さな検索単位に分解する。 どちらの形式の分解もパイプラインを改善するが、どちらも同じ脆弱性を共有し、エンティティ情報が失われ、この損失がパイプラインを2つの別々のポイントで破壊することを示す。 最初のポイントは検索であり、サブクエストは前のホップで解決されたエンティティを失う。 第2のポイントは、検索がまだ成功しているように見えるため、見るのは難しい。 ある節を文に分割すると、孤立した文はその代名詞を根拠とする文脈を失うので、正しい文が手元にあるとしても、LLMはその文がどの実体であるかを判断できない。 我々は、この第2点を、紛失世代と呼ばれる別個の障害モードとして分離し、検索制御実験により、ゴールドエビデンスを文脈に固定しても解答が劣化することを示した。 次に,提案するDual Entity Recovery RAG(DER-RAG)を提案する。2つの軽量なコンポーネント,サブクエストにまたがって解決されたエンティティを搬送する双方向クエリ分解と,各文に生成時に付加される主語エンティティプレフィックスである。 DER-RAGはグラフの構築もコーパスの変更も不要で、微調整も不要だが、3つのマルチホップQAベンチマークでは、コストのかかるオフライン構造に依存するグラフベースのメソッドを含む、強力なベースラインに適合または超えている。

関連論文リスト

• Better Decomposition, Free Aggregation: A Synthesizer-Folding Framework for Multilingual Multi-Hop Question Answering [48.94279718429342]
  マルチリンガルなマルチホップ質問応答のためのフレームワークであるSyferを紹介する。 Syferは、デフォルトで適用するのではなく、翻訳をデフェクトする。 複数の言語で実験した結果、Syferは競争の正確さを達成できた。
  論文  参考訳（メタデータ） (2026-08-13T12:25:59Z)
• 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)
• STRIDE: Strategic Iterative Decision-Making for Retrieval-Augmented Multi-Hop Question Answering [9.69666629029613]
  マルチホップ質問応答 (MHQA) は、複数の文書にまたがる証拠を検索し、推論することで、複雑なクエリに対する正確な回答を可能にする。 既存のMHQAアプローチは主に、次の2つの大きな問題に苦しむ反復的な検索強化世代に依存している。 戦略計画,動的制御,接地型実行を分離するフレームワークSTRIDEを提案する。
  論文  参考訳（メタデータ） (2026-04-19T12:19:43Z)
• PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering [57.89576196160413]
  大規模言語モデル (LLM) はマルチホップ質問応答 (MHQA) において脆弱のままである。 textbfPlanned Active Retrieval and Reasoning RAG (PAR$2-RAG)を提案する。
  論文  参考訳（メタデータ） (2026-03-30T23:52:54Z)
• 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)
• CompactRAG: Reducing LLM Calls and Token Overhead in Multi-Hop Question Answering [15.281365738928415]
  既存のマルチホップRAGシステムは、各ステップで検索と推論を交互に行う。 オンライン推論からオフラインコーパス再構成を分離するフレームワークであるCompactRAGを提案する。 HotpotQA, 2WikiMultiHopQA, MuSiQue の実験では, CompactRAG がトークン消費を大幅に削減し,競争精度を向上することを示した。
  論文  参考訳（メタデータ） (2026-02-05T14:52:06Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• GRITHopper: Decomposition-Free Multi-Hop Dense Retrieval [52.47514434103737]
  GRITHopper-7Bは,最先端性能を実現する新しいマルチホップ高密度検索モデルである。 GRITHopperは、因果言語モデリングと密集した検索訓練を統合することで、生成的および表現的命令チューニングを組み合わせる。 検索後言語モデリングと呼ばれる検索プロセスの後に追加のコンテキストを組み込むことで,検索性能が向上することがわかった。
  論文  参考訳（メタデータ） (2025-03-10T16:42:48Z)
• Mitigating Lost-in-Retrieval Problems in Retrieval Augmented Multi-Hop Question Answering [25.544345244474073]
  ChainRAGはマルチホップ質問応答のためのプログレッシブ検索および書き換え手法である。 欠落したキーエンティティと関連する文を完了することで、各サブクエストをシーケンシャルに処理する。 有効性と効率の両面で、一貫してベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-02-20T04:19:05Z)
• Phrase Retrieval for Open-Domain Conversational Question Answering with Conversational Dependency Modeling via Contrastive Learning [54.55643652781891]
  Open-Domain Conversational Question Answering (ODConvQA)は、マルチターン会話を通じて質問に答えることを目的としている。 そこで本研究では,単語列に対する句検索方式を用いて,回答を直接予測する手法を提案する。
  論文  参考訳（メタデータ） (2023-06-07T09:46:38Z)
• Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
  本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。 我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
  論文  参考訳（メタデータ） (2020-05-24T11:37:22Z)

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。