論文の概要: CANOPY: Adaptive-Granularity Evidence Compression for Multimodal RAG

• arxiv url: http://arxiv.org/abs/2610.00923v1
• Date: Thu, 01 Oct 2026 01:57:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.846098
• Title: CANOPY: Adaptive-Granularity Evidence Compression for Multimodal RAG
• Title（参考訳）: CANOPY:マルチモーダルRAGにおける適応粒度証拠圧縮
• Abstract要約: CANOPYは,検索後のアダプティブ・グラニュラリティ・エビデンス・圧縮のためのフレームワークである。 CanOPYは検索したアイテムを階層として表現し、ゴールドエビデンスに微調整されたノードエンコーダを使用してクエリに対して領域をスコアする。
• 参考スコア（独自算出の注目度）: 7.21704145348428
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal RAG retrieves text, tables, images, and videos, but choosing a retrieval granularity does not determine how much context to retain within each item. Coarse units include irrelevant content, while uniformly fine selection can remove context needed to interpret the evidence. Existing compressors address this trade-off with modality-specific mechanisms, leaving open a shared procedure for adapting the retained extent region by region across heterogeneous items. We introduce CANOPY (Canonical Projection over Hierarchy), a framework for adaptive-granularity post-retrieval evidence compression. CANOPY represents retrieved items as hierarchies and uses a node encoder fine-tuned on gold evidence to score regions against the query. Parent-relative refinement compares these scores to select multiple regions at different granularities without LLM calls for node-level pruning. Because compression cannot recover evidence that was never retrieved, a critic requests targeted follow-up retrieval when it judges the accumulated evidence insufficient; newly retrieved items are compressed before being added. Across five QA benchmarks over a 33M-item heterogeneous corpus, CANOPY achieves higher average answer accuracy than the evaluated retrieval baselines. Ablations indicate that additional retrieval drives the main accuracy gains on multi-hop QA. In the unrouted Qwen3-VL-8B-Instruct setting, compression reduces reader-input evidence tokens by 14.2-27.7% relative to the same iterative pipeline without compression, with comparable answer accuracy.
• Abstract（参考訳）: マルチモーダルRAGはテキスト、テーブル、画像、動画を検索するが、検索の粒度を選択すると、各項目にどれだけのコンテキストを保持するかは決定できない。 粗い単位は無関係な内容を含むが、一様に細かい選択は証拠を解釈するために必要な文脈を取り除くことができる。 既存の圧縮機はこのトレードオフにモダリティ固有のメカニズムで対処し、不均一な項目にまたがる領域によって保持範囲を適応するための共有手順を開放する。 CANOPY (Canonical Projection over Hierarchy) は,適応的粒度検索後のエビデンス圧縮のためのフレームワークである。 CANOPYは検索したアイテムを階層として表現し、ゴールドエビデンスに微調整されたノードエンコーダを使用してクエリに対して領域をスコアする。 親相対的な改善は、これらのスコアをノードレベルのプルーニングのためのLLM呼び出しなしで、異なる粒度の複数の領域に比較する。 圧縮は回収されなかった証拠を回収できないため、批評家は蓄積した証拠が不十分であると判断した場合に追跡検索を目標とし、新たに取得した物品は追加される前に圧縮される。 CANOPYは,33M項目の異種コーパス上の5つのQAベンチマークに対して,評価された検索ベースラインよりも高い平均回答精度を実現する。 アブレーションは、追加の検索がマルチホップQAの主な精度向上を駆動していることを示している。 不正なQwen3-VL-8B-インストラクタ設定では、圧縮は、圧縮のない同じ反復パイプラインと比較して、読み取り入力のエビデンストークンを14.2-27.7%削減する。

関連論文リスト

• MORSE: Multi-Context Ordering via Reverse Scoring for Evidence-Preserving Compression [8.068888334778704]
  また, 圧縮機で同じコンテキストを不変に変化させることで, 証拠が圧縮に耐えられることを示す。 我々は、エビデンス保存コンテキストオーダリングのための圧縮認識手法であるMORSEを紹介する。
  論文  参考訳（メタデータ） (2026-09-23T05:32:04Z)
• EAVer: Long-Form Factuality Verification as an End-to-End Agentic Policy [50.665874114632]
  我々は、完全な応答レベルの検証ワークフローを統一ポリシーとして制御することを学ぶ、エンドツーエンドのエージェント検証であるEAVerを紹介する。 EAVerはセマンティック関連クレームをグループ化し、信頼に基づいた直接検証やターゲット検索にルートし、コンパクトなインコンテキストメモで検索によって返される証拠を保持する。
  論文  参考訳（メタデータ） (2026-09-02T21:00:35Z)
• Uncertainty-Aware Hybrid Retrieval for Long-Document RAG [18.83395586542378]
  Uncertainty-aware Multi-Granularity RAG (UMG-RAG) は、チャンクの粒度をクエリ固有の信頼性推定として扱う訓練不要なハイブリッド検索フレームワークである。 UMG-RAGは、複数の塊の粒度にまたがる相補的な専門家として、既存の高密度でスパースなレトリバーを使用している。 UMGP-RAGは,局所的コヒーレンスのために,より広範に非冗長な親チャンクを返却しながら,微細なヒットを用いて関連する証拠を発見できる親促進型である。
  論文  参考訳（メタデータ） (2026-06-11T16:30:45Z)
• Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
  エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。 このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。 IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-05-03T19:13:11Z)
• MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries [2.756584457554517]
  Map-Disambiguate-Enrich-Reduce (MDER)はコンテキスト由来の3重記述を生成し、エンティティレベルの要約と統合する。 Decompose-Resolve (DR)は、ユーザクエリを解決可能なトリプルに分解し、知識グラフに格納する。 MDERとDRはLLM駆動のQAパイプラインを形成し、スパース、不完全、複雑なリレーショナルデータに対して堅牢である。
  論文  参考訳（メタデータ） (2026-03-11T18:38:44Z)
• Multi-Vector Index Compression in Any Modality [73.7330345057813]
  後期の相互作用は、テキスト、画像、ビジュアルドキュメント、ビデオにおける情報検索の主要なパラダイムとして現れてきた。 インデックス圧縮には,シーケンスリサイズ,メモリトークン,階層プール,新しいアテンション誘導クラスタリング(AGC)の4つのアプローチを導入する。 AGCは、ドキュメントの最もセマンティックな領域をクラスタセントロイドとして識別し、トークンの集合を重み付けするために注意誘導機構を使用する。
  論文  参考訳（メタデータ） (2026-02-24T18:57:33Z)
• Detecting Overflow in Compressed Token Representations for Retrieval-Augmented Generation [49.48204107529758]
  我々はトークンオーバーフローを、圧縮された表現が与えられたクエリに応答する十分な情報を含んでいない状態として定義する。 本稿では,非圧縮トークン表現から,クエリ非依存の飽和統計を確実に分離することを見出した。 クエリとコンテキストの両方のxRAG表現上の軽量なプローブ分類器は平均0.72 AUC-ROCでオーバーフローを検出する。 これらの結果は、クエリ非依存の診断からクエリ対応検出まで進歩し、低コストのプレLLMゲーティングにより、圧縮によるエラーを軽減できる。
  論文  参考訳（メタデータ） (2026-02-12T18:15:08Z)
• Chain of Retrieval: Multi-Aspect Iterative Search Expansion and Post-Order Search Aggregation for Full Paper Retrieval [68.71038700559195]
  The Chain of Retrieval (COR) is a novel repeaterative framework for full-paper search。 SCIBENCH(SCIBENCH)は、クエリと候補のための全論文の完全なコンテキストとセグメント化されたコンテキストを提供するベンチマークである。
  論文  参考訳（メタデータ） (2025-07-14T08:41:53Z)
• AdaComp: Extractive Context Compression with Adaptive Predictor for Retrieval-Augmented Large Language Models [15.887617654762629]
  ノイズを含む検索された文書は、RAGが答えの手がかりを検知するのを妨げ、推論プロセスを遅く、高価にする。 本稿では,クエリの複雑さと検索品質の両面から圧縮率を適応的に決定する,低コストな抽出文脈圧縮手法であるAdaCompを紹介する。
  論文  参考訳（メタデータ） (2024-09-03T03:25:59Z)

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。