論文の概要: PILAR: A Page-Grounded Unified Evidence Representation via an Entity-Linked Assertion Graph for Open-Domain QA Agents over Multimodal Document Corpora
- arxiv url: http://arxiv.org/abs/2609.32895v1
- Date: Sat, 26 Sep 2026 19:31:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 12:10:51.034505
- Title: PILAR: A Page-Grounded Unified Evidence Representation via an Entity-Linked Assertion Graph for Open-Domain QA Agents over Multimodal Document Corpora
- Title（参考訳）: PILAR:マルチモーダル文書コーパス上のオープンドメインQAエージェントのためのEntity-Linked Assertion Graphによるページ単位統一エビデンス表現
- Abstract要約: PILARは、エンティティリンクされたアサーショングラフとしてインスタンス化された、ページグラウンドで統一されたエビデンス表現である。
PILARは、共有リーダ評価において、最高のエンドツーエンドEM/ANLSを達成する。
- 参考スコア（独自算出の注目度）: 6.0910875672785805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open-domain question answering (ODQA) over multimodal document corpora requires linking evidence scattered across text, tables, and figures. Existing systems often store these sources separately or retrieve only coarse pages, which weakens global evidence linking. We present PILAR, a page-grounded unified evidence representation instantiated as an entity-linked assertion graph. PILAR maps sentence-, table-, and figure-derived facts into a common assertion space and uses the graph as a controlled linking layer over robust page retrieval. In a shared-reader evaluation with four agent frameworks, fourteen retrieval backends, and two benchmarks, PILAR achieves the best end-to-end EM/ANLS. Gains are largest on compositional, cross-document, and multimodal questions, with a single-shot improvement of +1.6 EM over flat retrieval, rising to +2.9 on compositional and +5.9 on 3-hop questions. Ablations show that current gains are driven mainly by the text-instantiated slice of the framework, while visual assertions help only after locality-aware filtering. We therefore position PILAR as a unified evidence representation for multimodal ODQA rather than a standalone visual-reasoning module.
- Abstract（参考訳）: マルチモーダル文書コーパス上のオープンドメイン質問応答(ODQA)は、テキスト、テーブル、フィギュアに散在する証拠をリンクする必要がある。
既存のシステムでは、これらのソースを別々に保存したり、粗いページのみを検索することが多く、リンクするグローバルな証拠を弱める。
PILARは、エンティティリンクされたアサーショングラフとしてインスタンス化された、ページグラウンドで統一されたエビデンス表現である。
PILARは、文、表、図形由来の事実を共通のアサーション空間にマッピングし、ロバストなページ検索上の制御されたリンク層として使用する。
4つのエージェントフレームワーク、14の検索バックエンド、2つのベンチマークによる共有リーダ評価において、PILARは最高のエンドツーエンドEM/ANLSを達成する。
ゲインは構成、クロスドキュメント、マルチモーダルの質問で最大であり、平らな検索では+1.6 EMの単発改善があり、合成では+2.9、3ホップでは+5.9に上昇する。
アブレーションによると、現在のゲインは主にフレームワークのテキストインスタンススライスによって駆動され、視覚的なアサーションはローカリティを意識したフィルタリングの後にのみ役立つ。
そこで我々は、PILARをスタンドアロンのビジュアル推論モジュールではなく、マルチモーダルODQAの統一的なエビデンス表現として位置づけた。
関連論文リスト
- ConRAG: Lightweight inference of multi-hop relations [12.7653500365035]
本稿では、エンティティ共起とLCMに基づくエンティティフィルタリングから軽量なエンティティ文書グラフを構築するConRAGを紹介する。
MuSiQueと2WikiMultiHopQAでは、ConRAGは強力なRAGベースライン上でブリッジエンティティとチェーンリカバリを継続的に改善する。
以上の結果から, 終端拘束経路の探索は, 証拠地下関係探索に有効かつ指標効率の高い手法であることがわかった。
論文 参考訳（メタデータ） (2026-09-28T13:54:42Z) - 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) - Towards Verifiable Multimodal Deep Research: A Multi-Agent Harness for Interleaved Report Generation [74.0621258662676]
レポート生成のためのマルチエージェントハーネスであるPtahを提案する。
Ptahは計画、研究、執筆段階を通じて、ユーザクエリからレンダリングされたWebレポートまでのライフサイクルを編成する。
検証エージェントがハーネスの受け入れ機能として機能し、ワークフロー全体を通して事実的接地、引用の忠実性、相互の整合性を強制する。
論文 参考訳（メタデータ） (2026-05-28T12:40:34Z) - HiKEY: Hierarchical Multimodal Retrieval for Open-Domain Document Question Answering [19.052998569565627]
HiKEYは階層木に基づくマルチモーダル検索フレームワークであり、文書階層を1級検索信号に高める。
ODQAベンチマークの実験では、HiKEYはページベースとチャンクベースのベースラインを大きく上回っている。
論文 参考訳（メタデータ） (2026-05-28T08:42:21Z) - Doc-V*:Coarse-to-Fine Interactive Visual Reasoning for Multi-Page Document VQA [71.42483000929614]
複数ページのドキュメント 視覚的質問回答は、長い、視覚的に密集したドキュメントにおける意味論、レイアウト、および視覚的要素の推論を必要とする。
我々は,多ページDocVQAをシーケンシャルエビデンスアグリゲーションとしてキャストするtextbfOCRフリーエージェントフレームワークであるDoc-$V*$を提案する。
論文 参考訳（メタデータ） (2026-04-15T11:12:27Z) - Resolving Evidence Sparsity: Agentic Context Engineering for Long-Document Understanding [49.26132236798123]
視覚言語モデル(VLM)は、文書理解における主要なアプローチになりつつある。
本稿では,粗いプロセスにおいて,検索者と4つの協調エージェントを編成するマルチエージェントフレームワークSLEUTHを提案する。
このフレームワークは、検索したページ内の重要なテキストおよび視覚的手がかりを特定し、テーブルやチャートなどの健全な視覚的エビデンスをフィルタし、クエリを分析して推論戦略を考案する。
論文 参考訳（メタデータ） (2025-11-28T03:09:40Z) - 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) - CMRAG: Co-modality-based visual document retrieval and question answering [21.016544020685668]
共同モダリティベースのRAG(RAG)フレームワークは、テキストや画像を利用してより正確な検索と生成を行うことができる。
我々のフレームワークは、複数のビジュアル文書質問応答(VDQA)ベンチマークにおいて、単一モダリティベースのRAGを一貫して上回ります。
論文 参考訳（メタデータ） (2025-09-02T09:17:57Z) - Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval [22.33550491040999]
RAGは、大きな言語モデルを外部の証拠に基礎を置いているが、セマンティックに遠く離れた文書で答えをまとめなければならないと、いまだに混乱している。
私たちは、StatementGraphRAGとTopicGraphRAGという2つのプラグイン・アンド・プレイレトリバーを構築します。
提案手法は,検索リコールと正当性において平均23.1%の相対的改善を達成し,有意なチャンクベースRAGよりも優れていた。
論文 参考訳（メタデータ） (2025-06-09T17:58:35Z) - Benchmarking Retrieval-Augmented Multimodal Generation for Document Question Answering [60.062194349648195]
Document Visual Question Answering (DocVQA)は、長いマルチモーダル文書の処理において2つの課題に直面している。
現在の文書検索拡張生成法(DocRAG)はテキスト中心のアプローチによって制限されている。
MMDocRAGは,多ページのクロスモーダルエビデンスチェーンを持つ4,055のエキスパートアノテーション付きQAペアを特徴とする総合ベンチマークである。
論文 参考訳（メタデータ） (2025-05-22T09:52:57Z)
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。