論文の概要: A Matryoshka Hierarchical RAG for Efficient Multi-Hop Question Answering

• arxiv url: http://arxiv.org/abs/2610.01767v1
• Date: Thu, 01 Oct 2026 14:25:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.189312
• Title: A Matryoshka Hierarchical RAG for Efficient Multi-Hop Question Answering
• Title（参考訳）: 効率的なマルチホップ質問応答のためのマトリオシュカ階層型RAG
• Abstract要約: MatRAGは、RAGシステムとMatryoshka Representation Learning(MRL)を組み合わせた階層的なフレームワークである ドキュメントのコーパスを、徐々に粗い粒度を持つクラスタのDAG(Directed Acyclic Graph)に整理する。 MatRAGは検索のクオリティで最強のライバルを上回っている。
• 参考スコア（独自算出の注目度）: 6.058906522832935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) systems for multi-hop Question Answering (QA) must balance retrieval quality with computational cost. This cost is incurred during indexing time, through the use of expensive Knowledge Graphs (KGs) or Large Language Models (LLMs) to generate summaries, or during querying, through iterative LLM-driven retrieval. To reduce it while maintaining retrieval quality, we present MatRAG, a hierarchical framework that combines RAG systems with Matryoshka Representation Learning (MRL). MatRAG addresses both kinds of cost by aligning the semantic hierarchy of a clustering structure with the nested structure of MRL. Specifically, it organizes the corpus of documents into a Directed Acyclic Graph (DAG) of clusters with progressively coarser granularity. Each level is indexed by a lower Matryoshka dimension. MatRAG pairs an iterative, top-down traversal of the DAG with an entity-driven mechanism that controls the hop budget and re-ranks candidates. We evaluated MatRAG on three standard multi-hop QA benchmarks against seven representative baselines. MatRAG outperforms its strongest competitors in terms of retrieval quality; furthermore, it reduces indexing costs by avoiding KG construction and LLM-based summarization, and lowers query-time costs through dimension-aware similarity.
• Abstract（参考訳）: マルチホップ質問回答(QA)のための検索補助生成(RAG)システムは,検索品質と計算コストのバランスをとる必要がある。 このコストはインデックス作成時に発生し、高価な知識グラフ(KG)やLarge Language Models(LLM)を使用して要約を生成するか、反復的なLCM駆動の検索によってクエリを行う。 検索品質を維持しつつその削減を図るため,RAGシステムとMRLを組み合わせた階層型フレームワークであるMatRAGを提案する。 MatRAGは、クラスタリング構造のセマンティック階層とMRLのネスト構造を整列することにより、どちらのコストにも対処する。 具体的には、文書のコーパスを、徐々に粗い粒度を持つクラスタのDAG(Directed Acyclic Graph)に整理する。 各レベルは低いマトリオシュカ次元でインデックス付けされる。 MatRAGはDAGの反復的トップダウントラバーサルと、ホップ予算を制御し、候補を再ランクするエンティティ駆動メカニズムをペアリングする。 我々は,MateRAGを3つの標準マルチホップQAベンチマークで7つのベースラインに対して評価した。 さらに、KGの構築やLLMに基づく要約を回避してインデックス化コストを削減し、次元認識の類似性を通じてクエリ時間コストを下げる。

関連論文リスト

• MKG-RAG-Bench: Benchmarking Retrieval in Multimodal Knowledge Graph-Augmented Generation [32.81707284618515]
  我々は、MKG-RAGの検索を評価するクロスドメインベンチマークであるMKG-RAG-Benchを紹介する。 MKG-RAG-Benchは、一般ドメインと医療ドメインにまたがる2つのマルチモーダル知識グラフから構築されている。 本研究は,MKG-RAGのエンド・ツー・エンド性能において,効果的なマルチモーダル検索が依然として不可欠であることを示す。
  論文  参考訳（メタデータ） (2026-06-24T23:38:42Z)
• SproutRAG: Attention-Guided Tree Search with Progressive Embeddings for Long-Document RAG [23.48941508046885]
  本稿では,注意誘導型階層型RAGフレームワークであるSproutRAGを紹介する。 文レベルのチャンクを徐々に大きく、意味的に一貫性のある単位に整理する。 どのアテンションヘッドとレイヤがセマンティックドキュメント構造を最もよく捉えているかを学ぶ。
  論文  参考訳（メタデータ） (2026-06-16T18:28:00Z)
• EfficientGraph-RAG: Structured Retrieval-State Management for Cross-Task Retrieval-Augmented Generation [45.66803833786235]
  検索拡張世代は、外部知識で大規模言語モデルを構築する標準的な方法となっている。 EfficientGraph-RAGは、3つの評価されたLongBench検索スタイルのサブセットで平均された回答品質の指標で第1位である。
  論文  参考訳（メタデータ） (2026-05-25T03:08:53Z)
• Do We Still Need GraphRAG? Benchmarking RAG and GraphRAG for Agentic Search Systems [9.226583502132753]
  Retrieval-augmented Generation(RAG)とそのグラフベースの拡張(GraphRAG)は、大規模言語モデル(LLM)推論を改善する効果的なパラダイムである。 近年のエージェントサーチシステムでは,推論中の動的,多ラウンド検索,シーケンシャルな意思決定が可能である。 本稿では,エージェント検索に基づく検索基盤として高密度なRAGと代表的なGraphRAG手法を評価する統一ベンチマークであるRAGSearchを紹介する。
  論文  参考訳（メタデータ） (2026-04-01T07:21:32Z)
• 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)
• MC-Search: Evaluating and Enhancing Multimodal Agentic Search with Structured Long Reasoning Chains [79.14584837105808]
  MC-Searchは5つの代表的推論構造にまたがる長いステップワイドなアノテート推論チェーンを持つエージェントMM-RAGの最初のベンチマークである。 回答精度以外にも、MC-Searchは、品質、段階的検索、計画精度を推論するための新しいプロセスレベルメトリクスを導入している。 エージェントMM-RAGパイプラインを統一的に開発することにより、6つのMLLMをベンチマークし、過剰検索や過度検索、モダリティミスアライメント計画などの体系的な問題を明らかにする。
  論文  参考訳（メタデータ） (2026-03-01T02:25:57Z)
• Q-RAG: Long Context Multi-step Retrieval via Value-based Embedder Training [50.37345200692884]
  強化学習(RL)を用いた多段階探索のための細粒度埋め込みモデルQ-RAGを提案する。 Q-RAGは、オープンドメイン質問応答のための既存のマルチステップ検索方法に代わる、競合的でリソース効率のよい代替手段を提供する。
  論文  参考訳（メタデータ） (2025-11-10T17:31:02Z)
• 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)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)

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。