論文の概要: Beyond One-Shot Expansion: Contrastive Evidence Exploration for Multi-Hop Retrieval

• arxiv url: http://arxiv.org/abs/2609.07050v1
• Date: Mon, 07 Sep 2026 05:13:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.365155
• Title: Beyond One-Shot Expansion: Contrastive Evidence Exploration for Multi-Hop Retrieval
• Title（参考訳）: ワンショット展開を超えて:マルチホップ検索のための対照的なエビデンス探索
• Abstract要約: 本研究では,エビデンス条件付き探索,パス特化コントラスト改善,カバレッジ対応ファイナルランキングを組み込んだ,トレーニング不要なマルチホップ検索フレームワークを提案する。 MuSiQue、HotpotQA、および2WikiMultihopQAの実験では、ベースラインよりも検索品質と下流QAパフォーマンスが一貫した改善が示されている。
• 参考スコア（独自算出の注目度）: 19.37201042661162
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) critically depends on retrieving the evidence necessary for effective reasoning. However, this remains particularly challenging in multi-hop question answering (QA), where supporting passages are often linked through intermediate entities and relations that must be progressively uncovered. Existing retrieval approaches typically rely on a single retrieval intent or one-shot query expansion, limiting their ability to adapt to newly retrieved evidence and potentially introducing noisy or redundant retrieval signals. To address these limitations, we propose a training-free multi-hop retrieval framework that integrates evidence-conditioned exploration, passage-specific contrastive refinement, and coverage-aware final ranking. During offline indexing, the framework constructs passage-specific contrastive facets that characterize each passage relative to its semantically similar neighbors, providing fine-grained signals to distinguish closely related candidates. At inference time, the framework iteratively retrieves evidence, generates probes targeting unresolved information needs, refines candidate relevance using the contrastive facets, and selects a complementary set of passages that collectively cover diverse evidence-seeking intents. Experiments on MuSiQue, HotpotQA, and 2WikiMultihopQA demonstrate consistent improvements in retrieval quality and downstream QA performance over baselines.
• Abstract（参考訳）: 検索増強世代(RAG)は、効果的な推論に必要な証拠を回収することに依存する。 しかし、これはマルチホップ質問応答(QA)において特に困難であり、サポートパスは、段階的に発見されなければならない中間エンティティや関係を通してリンクされることが多い。 既存の検索アプローチは通常、単一の検索意図またはワンショットクエリ拡張に依存し、新たに取得した証拠に適応する能力を制限するとともに、ノイズや冗長な検索信号を導入する可能性がある。 これらの制約に対処するために,エビデンス条件付き探索,パス特化コントラスト改善,カバレッジ対応最終ランク付けを統合した,トレーニング不要なマルチホップ検索フレームワークを提案する。 オフラインインデックス作成中、このフレームワークは、各パスを意味的に類似した隣人に対して特徴付ける、パス固有のコントラストファセットを構築し、密接に関連する候補を識別するためのきめ細かい信号を提供する。 推論時に、フレームワークは、証拠を反復的に検索し、未解決情報のニーズをターゲットとしたプローブを生成し、コントラストファセットを用いて候補関連性を洗練し、多様なエビデンス検索意図を総括的にカバーする相補的な通路群を選択する。 MuSiQue、HotpotQA、および2WikiMultihopQAの実験では、ベースラインよりも検索品質と下流QAパフォーマンスが一貫した改善が示されている。

関連論文リスト

• Navigating Sparse Evidence: Agentic Visual RAG via Explicit Context Selection and Consolidation [50.92223196290564]
  明示的な証拠選択と統合のための統一エージェントループを提案する。 探索中、SCoREはクエリ関連観測とソースポインタのみを保守されたテキスト台帳に保持する。 終了時には、参照された元のイメージを再ロードし、答えの視覚的証拠を統合し、論理的なシーケンスにアレンジする。
  論文  参考訳（メタデータ） (2026-09-14T16:11:35Z)
• REVEAL: A Rubric-Guided Agent for Explicit Evidence Sufficiency Verificationin Long-Video Question Answering [25.519927761448603]
  REVEALは、長いビデオ質問応答のためのルーリック誘導エージェントフレームワークである。 本稿では,視覚的コヒーレントな隣接フレームを自然なイベント単位にグループ化する適応型視覚類似性に基づく前処理パイプラインを提案する。 この構造化メモリ上に構築されたREVEALは、自動的に構築されたルーリックライブラリを使用して、検索された証拠が満足度基準を満たすかどうかを明示的に検証する。
  論文  参考訳（メタデータ） (2026-08-09T09:55:42Z)
• 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)
• R$^2$-Searcher: Calibrating Retrieval and Reasoning Boundaries for Agentic Search [59.034878430183305]
  R$2$-Searcherは、検索と推論の境界を明示的に探索し、校正する。 R$2$-Searcherは,解答精度と検索品質において,最先端のエージェント検索法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-06-26T19:44:34Z)
• Cycle-Consistent Search: Question Reconstructability as a Proxy Reward for Search Agent Training [80.20022221643414]
  Cycle-Consistent Searchは、検索エージェントを訓練するための金色のスーパービジョンのないフレームワークである。 CCSは教師付きベースラインに匹敵する性能を示す。 これらの結果から,CCSは金の監督が不可能な環境で検索エージェントを訓練するためのスケーラブルな訓練パラダイムを提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-04-14T17:00:18Z)
• SIGHT: Reinforcement Learning with Self-Evidence and Information-Gain Diverse Branching for Search Agent [39.43590030917357]
  SIGHTは、セルフエビデンスサポートと情報ゲイン駆動のディバースブランチを通じて、検索ベースの推論を強化するフレームワークである。 SIGHTは、検索結果をSESを介して高忠実性証拠に蒸留し、インフォメーションゲインスコアを算出して、重要な状態を特定する。 シングルホップとマルチホップのQAベンチマークの実験では、SIGHTが既存のアプローチを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-02-12T04:16:55Z)
• BMGQ: A Bottom-up Method for Generating Complex Multi-hop Reasoning Questions from Semi-structured Data [8.52473384574856]
  本稿では,半構造化知識ソースから高難易度,訓練可能なマルチホップ質問を自動生成するフレームワークを提案する。 このシステムは、自然言語推論(NLI)に基づく関係型付けと多様性を意識した拡張を通じて、多様な、論理的にラベル付けされたエビデンスクラスタを成長させる。
  論文  参考訳（メタデータ） (2025-10-28T07:43:15Z)
• 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)
• Beyond Independent Passages: Adaptive Passage Combination Retrieval for Retrieval Augmented Open-Domain Question Answering [7.468615741572889]
  Adaptive Passage Combination Retrieval (AdaPCR)は、ブラックボックスLMで応答するオープンドメイン質問のための新しいフレームワークである。 AdaPCRは、経路の組み合わせを検索と再ランクのための単位として考慮することで、通路間の依存関係を明示的にモデル化する。
  論文  参考訳（メタデータ） (2025-07-05T15:10:12Z)
• ClueAnchor: Clue-Anchored Knowledge Reasoning Exploration and Optimization for Retrieval-Augmented Generation [82.54090885503287]
  Retrieval-Augmented Generationは、外部知識を持つ大規模言語モデルを拡張して、事実性を改善する。 既存のRAGシステムは、忠実で解釈可能な推論をサポートするために必要な重要な手がかりを抽出して統合することができない。 本稿では,手掛かり付き推論探索と最適化によるRAG向上のための新しいフレームワークであるClueAnchorを提案する。
  論文  参考訳（メタデータ） (2025-05-30T09:18:08Z)
• Joint Passage Ranking for Diverse Multi-Answer Retrieval [56.43443577137929]
  質問に対する複数の異なる回答をカバーするために、パスの取得を必要とする探索不足の問題であるマルチアンサー検索について検討する。 モデルが別の有効な答えを逃す費用で同じ答えを含む通路を繰り返すべきではないので、このタスクは、検索された通路の共同モデリングを必要とします。 本稿では,再順位に着目したジョイントパス検索モデルであるJPRを紹介する。 回収された通路の合同確率をモデル化するために、JPRは、新しい訓練および復号アルゴリズムを備えた通路のシーケンスを選択する自動回帰リタイナを利用する。
  論文  参考訳（メタデータ） (2021-04-17T04:48:36Z)

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。