論文の概要: Tree Navigation Without LLM Summaries: A Matched-Cost Study of Hierarchical Retrieval for Long-Document QA

• arxiv url: http://arxiv.org/abs/2610.06902v1
• Date: Wed, 30 Sep 2026 08:42:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.461356
• Title: Tree Navigation Without LLM Summaries: A Matched-Cost Study of Hierarchical Retrieval for Long-Document QA
• Title（参考訳）: LLMサマリーのない木道ナビゲーション:長期文書QAにおける階層的検索の整合性について
• Abstract要約: 長文書QAにおける要約木の主な利点は,生成した要約コンテンツではなくナビゲーションから得られることを示す。 NavTreeは葉のみのレトリバーで、チャンク上に決定論的バランスの取れたセグメントツリーを構築する。 NavTreeは、評価グリッドの中で最強のマッチングコスト階層的リトリーバーであり、最強のフラットベースラインと結びついています。
• 参考スコア（独自算出の注目度）: 3.119859292303397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation grounds language models in external context, but for long documents flat top-$k$ retrieval can cluster on a single region and miss complementary evidence. RAPTOR-style summary trees address this by recursively clustering chunks and using a language model to summarize each cluster at indexing time, then ranking summary nodes alongside raw chunks at query time. We show the main benefit of summary trees in long-document QA can come from navigation rather than the generated summary content. We introduce NavTree, a leaves-only retriever that builds a deterministic balanced segment tree over chunks (zero language-model calls at indexing) and uses the tree purely as a navigation scaffold: a hybrid lexical-and-dense frontier walk, anchored on top retrieved leaves, descends from the root and emits only leaf chunks to the reader. On a matched-cost evaluation against flat retrievers and an extractive re-implementation of RAPTOR, NavTree is the strongest matched-cost hierarchical retriever in our evaluated grid and ties the strongest flat baseline. On long-document multi-hop QA, it is the only hierarchical method that significantly beats BM25 on a class-vs-class basis, corroborated by a reader-free retrieval-recall check. A matched-reader replication of the published abstractive RAPTOR variant, given strong cluster summaries, still loses to NavTree at every multi-chunk budget, at zero indexing cost. The ranking carries across stronger and open-weight readers, a stronger encoder, and a full factorial that isolates leaves-only emission as the structural lever.
• Abstract（参考訳）: Retrieval-augmented Generationは言語モデルを外部のコンテキストで定義するが、長いドキュメントの場合、Top-k$検索は単一のリージョンにクラスタ化でき、補完的なエビデンスを見逃すことができる。 RAPTORスタイルの要約ツリーは、チャンクを再帰的にクラスタ化し、言語モデルを使用してインデックス化時に各クラスタをまとめ、クエリ時に生チャンクと並んでサマリノードをランク付けすることで、この問題に対処する。 長文書QAにおける要約木の主な利点は,生成した要約コンテンツではなくナビゲーションから得られることを示す。 NavTreeは,木片上に決定論的にバランスのとれたセグメントツリーを構築(インデックス化時のゼロ言語モデルコール)し,その木をナビゲーションの足場として純粋に利用する,葉のみのレトリバーである。 フラットリトリーバーに対するマッチングコスト評価とRAPTORの抽出再実装について,NavTreeは評価グリッドにおいて最強のマッチングコスト階層型リトリーバーであり,最強のフラットベースラインと結びついている。 長ドキュメントマルチホップQAでは、読み取り不要の検索-リコールチェックによって相関する、クラスvsクラスでBM25を著しく上回る唯一の階層的手法である。 強力なクラスタサマリーを与えられた、出版されている抽象的RAPTOR変種のマッチした可読性レプリケーションは、インデックス化コストをゼロにして、すべてのマルチチャンク予算でNavTreeに負ける。 このランキングは、より強くオープンな読者、より強力なエンコーダ、そして構造レバーとして葉のみの排出を分離するフルファクターをカバーしている。

関連論文リスト

• Hierarchical Abstract Tree for Cross-Document Retrieval-Augmented Generation [3.338186852016847]
  $-RAGは2つの主要なコンポーネントを持つツリーRAGフレームワークである。 トークンレベルの質問応答からドキュメントレベルの要約まで,さまざまなタスクをサポートする。 RAPTORを25.9%、HippoRAG 2を7.4%上回っている。
  論文  参考訳（メタデータ） (2026-05-01T09:06:23Z)
• Don't Retrieve, Navigate: Distilling Enterprise Knowledge into Navigable Agent Skills for QA and RAG [7.558933130117637]
  Corpus2Skillはドキュメントコーパスを階層的なスキルディレクトリにオフラインで蒸留する。 コンパイルパイプラインは、文書を反復的にクラスタリングし、各レベルでLCMで書かれた要約を生成し、ナビゲート可能なスキルファイルのツリーとして結果を実体化する。 サービス時には、エージェントは、コーパスの鳥眼ビューを受け取り、徐々に細かな要約を通してトピックブランチにドリルし、IDによって全文書を検索する。
  論文  参考訳（メタデータ） (2026-04-16T03:05:37Z)
• HCRE: LLM-based Hierarchical Classification for Cross-Document Relation Extraction with a Prediction-then-Verification Strategy [54.91468501159335]
  文書間関係抽出 (RE) は, 異なる文書に存在する頭部尾部エンティティ間の関係を識別することを目的としている。 本稿では,各レベルでの多視点検証により信頼性を向上させる推論戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-09T07:55:27Z)
• DTCRS: Dynamic Tree Construction for Recursive Summarization [12.903751268469698]
  DTCRSは文書構造とクエリセマンティクスに基づいて要約木を生成する手法である。 提案手法は, 概略木構築時間を大幅に短縮し, 3つのQAタスクにまたがる大幅な改善を実現する。
  論文  参考訳（メタデータ） (2026-04-08T12:33:42Z)
• SAGE: Structure Aware Graph Expansion for Retrieval of Heterogeneous Data [47.930782177987446]
  不均一なコーパスに答える検索拡張された質問は、テキスト、テーブル、グラフノード間で接続されたエビデンスを必要とする。 標準レトリバーリーダーパイプラインは、独立にチャンクされたテキスト上の平坦な類似性検索を使用し、モダリティ間のマルチホップエビデンスチェーンを欠いている。 SAGE(Structure Aware Graph Expansion)フレームワークを提案する。これは、パーセンタイルベースのプルーニングとメタデータ駆動の類似性を利用して、チャンクレベルのグラフをオフラインで構築する。 暗黙的クロスモーダルコーパスと明示的スキーマグラフのエージェント検索であるSPARK(Structure Aware Planning Agent for Retrieval over Knowledge Graphs)のハイブリッド高密度スパース検索を用いて初期検索をインスタンス化する。
  論文  参考訳（メタデータ） (2026-02-18T23:57:19Z)
• ToM: Leveraging Tree-oriented MapReduce for Long-Context Reasoning in Large Language Models [107.86069298500855]
  ToMは、長期コンテキスト推論のための新しいツリー指向MapReduceフレームワークである。 ToM は既存の分割・クエリー・フレームワークや検索拡張生成手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-01T10:43:58Z)
• 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)
• ReTreever: Tree-based Coarse-to-Fine Representations for Retrieval [64.44265315244579]
  そこで本研究では,様々なレベルで参照文書を整理し,表現するためのツリーベース手法を提案する。 我々の手法はReTreeverと呼ばれ、クエリと参照ドキュメントが同様のツリーブランチに割り当てられるように、バイナリツリーの内部ノード毎のルーティング関数を共同で学習する。 我々の評価では、ReTreeverは一般的に完全な表現精度を保っている。
  論文  参考訳（メタデータ） (2025-02-11T21:35:13Z)
• RAPTOR: Recursive Abstractive Processing for Tree-Organized Retrieval [26.527911244587134]
  本稿では,テキストの集合体への埋め込み,クラスタリング,要約という新たなアプローチを導入し,下から異なるレベルの要約レベルを持つ木を構築する。 我々のRAPTORモデルは、推測時にこの木から取得し、異なるレベルの抽象化で長いドキュメントにまたがる情報を統合します。
  論文  参考訳（メタデータ） (2024-01-31T18:30:21Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)

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。