論文の概要: Efficiently Linking Unstructured Data for Multi-step Reasoning

• arxiv url: http://arxiv.org/abs/2609.19491v1
• Date: Wed, 16 Sep 2026 23:16:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.030269
• Title: Efficiently Linking Unstructured Data for Multi-step Reasoning
• Title（参考訳）: マルチステップ推論のための非構造的データを効率的にリンクする
• Abstract要約: DASEクエリエンジンは、候補エビデンサウェアを構築し、ランク付けする。 強いRDBMSよりも6倍から46倍高速なマルチステップ推論クエリの候補証拠を検索する。 セマンティック・オペレーショナルな後処理を必要とするタスクに対しては、DASEはハイリコールプリフィルタとして機能する。
• 参考スコア（独自算出の注目度）: 17.545873517131206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern LLMs and AI agents increasingly support data engineering workflows that integrate evidence from unstructured sources. Such pipelines typically do data retrieval, integration, and ranking before proceeding to more complex agentic reasoning or actions, e.g., for scientific discovery. The core retrieval problem in these workflows jointly executes multi-attribute filtering, multi-vector search, exact relational joins, and thresholded embedding-similarity joins. Given a planned query and monotone scoring function, our DASE query engine constructs and ranks candidate evidence tuples. It comprises (i) a multi-step reasoning query model over structured predicates, multiple vectors, and relational links; (ii) SemJI, a sparse materialized embedding-similarity join index for rare near-neighbor pairs; and (iii) a co-designed execution layer that combines predicate-aware ANN traversal, batched access, and threshold-based score aggregation. On scientific-discovery workloads, DASE retrieves candidate evidence for multi-step reasoning queries 6x to 46x faster than strong RDBMS, rerank, and vector-database baselines at comparable recall; and for tasks that require semantic-operator post-processing, DASE acts as a high-recall prefilter that makes downstream LLM evaluation both cheaper and more accurate -- e.g., on SemBench E-Commerce it improves BigQuery quality from 0.67 to 0.80 while cutting cost from $2.42 to $0.54.
• Abstract（参考訳）: 現代のLLMとAIエージェントは、非構造化ソースからのエビデンスを統合するデータエンジニアリングワークフローをますますサポートしている。 このようなパイプラインは通常、科学的発見のためにより複雑なエージェント推論やアクションに進む前に、データの検索、統合、ランキングを行う。 これらのワークフローの中核的な検索問題は、マルチ属性フィルタリング、マルチベクトル探索、正確なリレーショナル結合、しきい値の埋め込み-類似結合を共同で実行する。 クエリと単調なスコアリング関数が計画されているため、我々のDASEクエリエンジンは、候補エビデンスタプルを構築し、ランク付けする。 構成 一 構造化述語、複数ベクトル及び関係リンク上の多段階推論クエリモデル (二)希少な近傍ペアに対するスパース物質化埋め込み類似結合指数Semji、及び 三 述語対応のANNトラバーサル、バッチアクセス、しきい値に基づくスコアアグリゲーションを組み合わせた共同設計の実行層。 科学的発見ワークロードにおいて、DASEは、強力なRDBMS、リランク、ベクターデータベースベースラインを同等のリコールで6倍から46倍高速なマルチステップ推論クエリの候補エビデンスを検索する。また、セマンティック・オペレーショナルな後処理を必要とするタスクに対して、DASEは、ダウンストリームLLM評価を安価かつ正確にするハイリコールプリフィルタとして機能する - 例えば、SemBench E-Commerceでは、BigQueryの品質を0.67から0.80に改善し、コストを2.42から0.54に削減する。

関連論文リスト

• LLM4AIGQ: LLM-based AI Guidance Query Generation Framework for Multi Interest Mining [4.054665499206523]
  ユーザの多目的に適したAIガイダンスクエリを生成するためのLLMベースのソリューションを提案する。 このアプローチは、ユーザプロファイルと過去のインタラクションシーケンスを統合することで、ユーザ関心をセグメント化し、サブ関心ごとの特定の消費意図を推測する。 本モデルはオフライン評価とオンラインA/Bテストの両方において堅牢な性能を実現する。
  論文  参考訳（メタデータ） (2026-09-03T11:13:01Z)
• GrepSeek: Training Search Agents for Direct Corpus Interaction [66.69568141699311]
  GrepSeekは、コンパクトな検索エージェントを訓練し、大きなテキストコーパスから証拠を見つけ、フィルタリングし、構成する、最適化された直接コーパスインタラクション(DCI)検索エージェントである。 DCIを大規模に実用化するためには、シェルコマンドのシーケンシャルな実行とバイトエクササイズ等価性を保ちながら、シェルベースの検索を最大7.6タイムで高速化するセマンティックス保存のシャード並列実行エンジンを使用する。
  論文  参考訳（メタデータ） (2026-05-28T03:37:33Z)
• Agentic DAG-Orchestrated Planner Framework for Multi-Modal, Multi-Hop Question Answering in Hybrid Data Lakes [5.276278723196607]
  Agentic DAG-Orchestrated Transformer (A.DOT) Plannerはマルチモーダル・マルチホップ質問応答のためのフレームワークである。 A.DOTは、ユーザNLクエリを構造化および非構造化の両方にまたがる有向非巡回グラフ(DAG)実行計画にコンパイルする。 System Decomposes query into parallelizable sub-queries, includess schema-aware reasoning, and applied both structure and semantic validation。
  論文  参考訳（メタデータ） (2026-03-15T05:34:16Z)
• FGTR: Fine-Grained Multi-Table Retrieval via Hierarchical LLM Reasoning [9.827204445321147]
  The Fine-Grained Multi-Table Retrieval FGTR is a new search paradigm that using a human-like reasoning strategy。 実験の結果,FGTRは従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-03-13T06:28:45Z)
• MemSearcher: Training LLMs to Reason, Search and Manage Memory via End-to-End Reinforcement Learning [73.27233666920618]
  本稿では,メモリを反復的に保持し,現在のターンと組み合わせたエージェントワークフローであるMemSearcherを提案する。 それぞれのターンで、MemSearcherはユーザーの質問をメモリに融合させ、推論トレースを生成し、検索アクションを実行し、メモリを更新してタスクの解決に必要な情報のみを保持する。 我々は,MemSearcher Agents の推論,検索戦略,メモリ管理を協調的に最適化する,エンドツーエンドの RL フレームワークである Multi-context GRPO を紹介する。
  論文  参考訳（メタデータ） (2025-11-04T18:27:39Z)
• 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)
• ParallelSearch: Train your LLMs to Decompose Query and Search Sub-queries in Parallel with Reinforcement Learning [20.11646932754985]
  Reasoning-augmented search agent as Search-R1は、外部知識ソースからの多段階情報検索において顕著な能力を示す。 既存のアプローチは、本質的に並列化可能で論理的に独立な比較を扱う場合でも、検索クエリを厳格に処理する。 並列化可能なクエリ構造を認識し,複数の検索操作を同時に実行する,大規模言語モデルを活用した新しい強化学習フレームワークであるParallelSearchを提案する。
  論文  参考訳（メタデータ） (2025-08-12T19:38:21Z)
• Data Fusion of Synthetic Query Variants With Generative Large Language Models [1.864807003137943]
  本研究は,データ融合実験において,命令調整型大規模言語モデルによって生成される合成クエリ変種を用いることの実現可能性について検討する。 我々は、プロンプトとデータ融合の原則を生かした、軽量で教師なしで費用効率のよいアプローチを導入します。 解析の結果,合成クエリの変種に基づくデータ融合は,単一クエリのベースラインよりもはるかに優れており,擬似関連フィードバック手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-06T12:54:27Z)
• CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。 従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。 粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)

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。