論文の概要: Less Is More: Graph-free Multimodal RAG via Multi-signal Late Fusion

• arxiv url: http://arxiv.org/abs/2609.19417v1
• Date: Wed, 16 Sep 2026 20:54:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.012992
• Title: Less Is More: Graph-free Multimodal RAG via Multi-signal Late Fusion
• Title（参考訳）: グラフフリーマルチモーダルRAG : マルチシグナルレイトフュージョン
• Abstract要約: TrioRAGはグラフのないフレームワークで、3つの補完的な信号から証拠を統合する。 各信号は、ページテキストとページイメージの共有マルチベクトルインデックス上で独立して検索する。 建設段階では、AutoQAは企業外のウェブイメージに疑問を投げかける。
• 参考スコア（独自算出の注目度）: 5.439344025757868
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based retrieval-augmented generation (RAG) is widely used for multimodal, cross-document question answering. However, building corpus-level graphs is expensive, slow to query, and difficult to maintain. We present TrioRAG, a graph-free multimodal framework that integrates evidence from three complementary signals: the question, the anchor image, and a VLM-enhanced query generated from both. Each signal retrieves independently over a shared multi-vector index of page text and page images, and the results are combined through late fusion. Further, we introduce AutoQA, a multimodal automotive benchmark whose questions are grounded in noisy, web-sourced images rather than clean document-sourced figures. Its questions require reasoning across manuals. We position it as a model-curated testbed rather than a human-validated gold standard. Across three benchmarks, TrioRAG matches or outperforms graph-based systems while reducing total cost and accelerating per-query inference by 1.6-2.3 times. By construction, AutoQA grounds its questions in out-of-corpus web images. In this setting image retrieval reaches only 19.3% document-level recall, while text-derived signals, especially the VLM-enhanced query, keep retrieval robust.
• Abstract（参考訳）: グラフベースの検索拡張生成(RAG)は多モーダルなクロスドキュメントな質問応答に広く利用されている。 しかし、コーパスレベルのグラフの構築は高価で、クエリが遅く、メンテナンスが難しい。 本稿では,グラフのないマルチモーダルフレームワークであるTrioRAGを提案する。 各信号は、ページテキストとページイメージの共有マルチベクターインデックス上で独立して検索され、その結果は後期融合によって結合される。 さらに、クリーンなドキュメントソースの数値ではなく、ノイズの多いWebソースのイメージで疑問を呈するマルチモーダルカーベンチマークであるAutoQAを紹介する。 その質問は、マニュアルにまたがる推論を必要とする。 我々は、それを人間公認金本位制ではなく、モデルキュレートされたテストベッドとして位置づける。 3つのベンチマークで、TrioRAGはグラフベースのシステムにマッチまたは性能を向上し、総コストを削減し、クエリごとの推論を1.6-2.3倍加速させた。 建設段階では、AutoQAは企業外のウェブイメージに疑問を投げかける。 この設定では、画像検索は19.3%のドキュメントレベルのリコールにしか達しないが、テキスト由来の信号、特にVLM強化クエリは、検索を堅牢に保つ。

関連論文リスト

• MAGE-RAG: Multigranular Adaptive Graph Evidence for Agentic Multimodal RAG in Long-Document QA [14.865891513918278]
  長い文書のマルチモーダルな質問応答には、長いPDFでスパースエビデンスを見つけるシステムが必要である。 本稿では,長期文書マルチモーダルQAのための多言語適応グラフエビデンスフレームワークであるMAGE-RAGを提案する。
  論文  参考訳（メタデータ） (2026-06-14T16:34:15Z)
• Constrained Dominant Sets for Multimodal Document Question Answering [6.071121358322323]
  長いマルチモーダルな文書質問応答は、取得された量よりも、証拠が読み手に届く程度に制限される。 この研究は、クエリ拡張親和性グラフ上の制約付き支配セットとしてエビデンスを選択するレトリバーを導入する。
  論文  参考訳（メタデータ） (2026-06-05T13:24:46Z)
• ForeSea: AI Forensic Search with Multi-modal Queries for Video Surveillance [56.15563109738998]
  ForeSeaは3段階のプラグアンドプレイパイプラインを備えたAI法医学検索システムである。 ForeSeaは従来のビデオRAGモデルよりも精度を3.5%向上し、一時IoUは11.0向上した。
  論文  参考訳（メタデータ） (2026-03-24T07:15:28Z)
• $G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA [53.491241153213565]
  G2$-Readerはマルチモーダルな質問応答のためのデュアルグラフシステムである。 Qwen3-VL-32B-Instructによる$G2$-Readerの平均精度は66.21%に達し、強力なベースラインとスタンドアローンのGPT-5(53.08%)を上回った。 5つのマルチモーダルドメインにわたるVisDoMBenchでは、Qwen3-VL-32B-Instructを使った$G2$-Readerが平均精度66.21%に達し、強力なベースラインとスタンドアロンのGPT-5(53.08%)を上回っている。
  論文  参考訳（メタデータ） (2026-01-29T17:52:54Z)
• Pixel-Grounded Retrieval for Knowledgeable Large Multimodal Models [58.46663983451155]
  PixSearchは、地域レベルの認識と検索強化推論を統合する、エンドツーエンドのLMM(Large Multimodal Model)である。 エンコーディング中、PixSearchは検索をトリガーする検索>トークンを出力し、クエリのモダリティ(テキスト、画像、リージョン)を選択し、ビジュアルクエリとして直接機能するピクセルレベルのマスクを生成する。 エゴセントリックでエンティティ中心のVQAベンチマークでは、PixSearchは事実整合性と一般化を大幅に改善する。
  論文  参考訳（メタデータ） (2026-01-27T00:46:08Z)
• UNIDOC-BENCH: A Unified Benchmark for Document-Centric Multimodal RAG [82.84014669683863]
  マルチモーダル検索拡張生成(MM-RAG)は,大規模言語モデルを現実世界の知識ベースに適用するための重要なアプローチである。 UniDoc-Benchは、70万の現実世界のPDFページから構築されたMM-RAGのための最初の大規模で現実的なベンチマークである。 実験により,マルチモーダルテキスト画像融合RAGシステムは,非モーダルおよび共同マルチモーダル埋め込みに基づく検索において一貫して優れていた。
  論文  参考訳（メタデータ） (2025-10-04T04:30:13Z)
• BRIT: Bidirectional Retrieval over Unified Image-Text Graph [0.0]
  Retrieval-Augmented Generation (RAG) は、大規模言語モデルによって生成された応答の品質と関連性を高めるための有望な手法として登場した。 本稿では、文書内の様々なテキストイメージ接続をマルチモーダルグラフに統一する、新しいマルチモーダルRAGフレームワークBRITを提案する。 BRITは、画像からテキストへの経路とテキストへの経路の両方をグラフでトラバースすることにより、関連する画像やテキストを直接検索するだけでなく、関連するコンテンツも検索する。
  論文  参考訳（メタデータ） (2025-05-24T01:20:51Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)

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。