論文の概要: TAEC: Trajectory-Aware Evidence Coordination for Multi-Step Visual RAG

• arxiv url: http://arxiv.org/abs/2609.37349v1
• Date: Tue, 29 Sep 2026 12:15:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.473624
• Title: TAEC: Trajectory-Aware Evidence Coordination for Multi-Step Visual RAG
• Title（参考訳）: TAEC:多段階視覚RAGのための軌道認識エビデンスコーディネート
• Abstract要約: Trajectory-Aware Evidence Coordination は未解決の回答要求に関する証拠をコーディネートする。 Trajectory-Aware Evidence Coordinationは、トレーニング不要の視覚的RAGベースラインに対して、最高の全体的なパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 14.071030886440097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-step visual retrieval-augmented generation (RAG) answers complex questions by repeatedly retrieving visual evidence, updating an intermediate state, and deciding whether to continue searching or answer. Yet retrieving relevant evidence does not ensure its effective use throughout the reasoning trajectory. As multi-step reasoning progresses, redundant sources occupy context capacity needed for missing evidence, observations tied to resolved requirements or unproductive searches linger in context, and visual sources are revisited with insufficient detail for fine-grained reading. We term this loss of usable evidence over a reasoning trajectory trajectory-level evidence utilization degradation. To address it, we propose Trajectory-Aware Evidence Coordination (TAEC), a training-free framework that coordinates evidence use around unresolved answer requirements. TAEC tracks these requirements in a shared trajectory state to guide which evidence enters the context, how accumulated memory is retained, and at what level of detail visual evidence is examined. Under a unified evaluation protocol on ViDoSeek, SlideVQA, and MMLongBench-Doc, TAEC achieves the best overall performance against leading training-free visual RAG baselines, with the highest average accuracy across multiple proprietary vision-language models. These results demonstrate that aligning evidence with evolving reasoning needs improves evidence use throughout multi-step visual RAG.
• Abstract（参考訳）: 多段階の視覚検索増強世代(RAG)は、視覚的証拠を何度も回収し、中間状態を更新し、検索と回答の継続を決定することで複雑な質問に答える。 しかし、関連する証拠を取得することは、推論軌道全体を通して効果的に利用することを保証するものではない。 多段階の推論が進むにつれて、冗長な情報源は、証拠の欠如、解決された要求や非生産的な検索に結びついた観察、そして視覚的情報源は、詳細な読解に不十分な詳細で再考される。 本研究は, 軌道軌道レベルのエビデンス利用率の低下について, 有用証拠の喪失を論じる。 そこで我々は,未解決の解答要求に関する証拠を協調する学習自由フレームワークであるTrajectory-Aware Evidence Coordination (TAEC)を提案する。 TAECはこれらの要件を共有軌跡状態で追跡し、どのエビデンスがコンテキストに入るか、どのように蓄積されたメモリが保持されるか、そしてどのレベルで詳細な視覚的エビデンスが検査されるかをガイドする。 ViDoSeek、SlideVQA、MMLongBench-Docの統一評価プロトコルの下で、TAECはトレーニングなしの視覚的RAGベースラインに対して、複数のプロプライエタリなビジョン言語モデルで最高の平均精度で、最高の全体的なパフォーマンスを達成する。 これらの結果から,多段階の視覚的RAGを通して,証拠と推論ニーズの整合性が向上することが示唆された。

関連論文リスト

• JRDB-AVR: An Active Visual Reasoning Benchmark for Embodied Agents in Real-World Environments [51.05603466006443]
  具体化された視覚的推論のシナリオでは、質問に答えるために必要な証拠は時間、視点、相互作用するオブジェクトに分散する可能性がある。 我々は,構造化質問生成エンジンを用いて,既存の実世界のJRDBロボットデータから得られたベンチマークであるJRDB-AVRを紹介する。 また, 明示的な観測地上グラフに基づく世界モデルを維持する, 参照能動推論エージェントであるJRDB-AVR-Agentについても紹介する。
  論文  参考訳（メタデータ） (2026-09-28T12:30:11Z)
• 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)
• SAFE-G: Structure-aware Faithful Evidence-guided Generation for Knowledge-based Visual Question Answering [8.538563236020947]
  SAFE-Gは構造対応のFiveence-Guided Generationフレームワークである。 正確な証拠のローカライズと信頼できる推論を可能にする。 従来の手法を8.9%と3.5%で上回っている。
  論文  参考訳（メタデータ） (2026-08-22T06:34:53Z)
• HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
  我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。 HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。 報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-27T23:50:46Z)
• Stateful Evidence-Driven Retrieval-Augmented Generation with Iterative Reasoning [7.701766930531068]
  Stateful Evidence-Driven RAG with Iterative Reasoningは、質問応答をプログレッシブなエビデンス蓄積プロセスとしてモデル化するフレームワークである。 このフレームワークは、ギャップと競合を特定するためにエビデンス駆動の欠陥分析を行い、クエリを反復的に洗練し、その後の検索をガイドする。 複数の質問応答ベンチマークの実験では、標準的なRAGとマルチステップベースラインよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-03-25T06:57:49Z)
• V-Retrver: Evidence-Driven Agentic Reasoning for Universal Multimodal Retrieval [32.5242219186118]
  本稿では,視覚検査に基づくエージェント推論プロセスとしてマルチモーダル検索を再構成するエビデンス駆動検索フレームワークであるV-Retrverを提案する。 V-Retrverは、MLLMが外部視覚ツールを介して推論中に視覚的エビデンスを選択的に取得し、仮説生成と対象の視覚的検証を交互に行うマルチモーダル・インターリーブド推論プロセスを実行することを可能にする。
  論文  参考訳（メタデータ） (2026-02-05T18:59:21Z)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
  Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。 LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
  論文  参考訳（メタデータ） (2025-11-15T02:50:23Z)
• VisRAG 2.0: Evidence-Guided Multi-Image Reasoning in Visual Retrieval-Augmented Generation [64.82775032985485]
  視覚検索強化世代(VRAG)は視覚言語モデル(VLM)を外的視覚知識で拡張し、基礎推論を行い幻覚を減らす。 しかし、現在のVRAGシステムは、複数の画像に対して確実な認識と証拠の統合に失敗し、根拠の弱さと誤った結論に繋がることが多い。 EVisRAGは,エビデンス誘導型マルチイメージで推論を学習し,この問題に対処するエンド・ツー・エンドのフレームワークである。
  論文  参考訳（メタデータ） (2025-10-10T13:34:23Z)

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。