論文の概要: Retrieving Complementary Evidence for Multi-Hop RAG with Semantic Gain Graphs

• arxiv url: http://arxiv.org/abs/2610.15285v1
• Date: Sun, 11 Oct 2026 02:30:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 01:47:31.664144
• Title: Retrieving Complementary Evidence for Multi-Hop RAG with Semantic Gain Graphs
• Title（参考訳）: セマンティックゲイングラフを用いたマルチホップRAGの補完的証拠の検索
• Abstract要約: マルチホップ検索強化世代(RAG)は、証拠が組み合わせて有用である文書を見つける必要がある。 SG$2$RAGは、セマンティックゲインによるこの相補性を表すフレームワークである。 オンラインで管理されたパーソナライズされたPageRankは、クエリ関連シードから始まり、最初の検索セットを超えて補完的な証拠をランク付けする。
• 参考スコア（独自算出の注目度）: 35.03045275871606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-hop retrieval-augmented generation (RAG) requires finding documents whose evidence is useful in combination. Query relevance and graph connectivity help locate related content, but neither directly measures the additional information one document contributes given another. We introduce SG$^2$RAG, a framework that represents this complementarity through semantic gain. Offline, a large language model assesses the relevant and nonredundant information contributed by one chunk given another within neighborhoods proposed by semantic similarity. These ordered assessments are aggregated into symmetric edge weights to construct a reusable Semantic Gain Graph. Online, controlled Personalized PageRank starts from query-relevant seeds and ranks complementary evidence beyond the initial retrieval set. Experiments on MuSiQue, 2Wiki, and HotpotQA with two language model backbones show that SG$^2$RAG achieves the best average EM, F1, and Recall@10 among the evaluated single-retrieval methods. Under identical candidate support and propagation, semantic gain improves average F1 and Recall@10 over similarity weighting by 4.08 and 4.31 points. Analyses of supporting documents and improvements in three iterative retrieval frameworks further support its effectiveness as a reusable retrieval component.
• Abstract（参考訳）: マルチホップ検索強化世代(RAG)は、証拠が組み合わせて有用である文書を見つける必要がある。 クエリ関連性とグラフ接続は、関連するコンテンツを見つけるのに役立ちます。 SG$^2$RAGは、セマンティックゲインを通して、この相補性を表すフレームワークである。 オフラインでは、大きな言語モデルが意味的類似性によって提案される地区内で、あるチャンクが与える関連情報と非依存情報を評価する。 これらの順序付きアセスメントは、再利用可能なセマンティックゲイングラフを構築するために対称エッジウェイトに集約される。 オンラインで管理されたパーソナライズされたPageRankは、クエリ関連シードから始まり、最初の検索セットを超えて補完的な証拠をランク付けする。 MuSiQue、2Wiki、HotpotQAを2つの言語モデルバックボーンで実験した結果、SG$^2$RAGは評価された単一検索手法の中で最高の平均EM、F1、Recall@10を達成することが示された。 同じ候補のサポートと伝搬の下で、セマンティックゲインは平均F1とRecall@10を4.08と4.31ポイントの類似度で改善する。 ドキュメントの分析と3つの反復検索フレームワークの改善により、再利用可能な検索コンポーネントとしての有効性がさらに向上した。

関連論文リスト

• PILAR: A Page-Grounded Unified Evidence Representation via an Entity-Linked Assertion Graph for Open-Domain QA Agents over Multimodal Document Corpora [6.0910875672785805]
  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。
  論文  参考訳（メタデータ） (2026-09-26T19:31:43Z)
• Aethel: A Reproducible Graph-Retrieval Framework for Multi-Hop Financial Diligence [0.0]
  本稿では,2部グラフ検索とコア参照対応の2部グラフ通信層を組み合わせた再現可能なフレームワークであるAethelを紹介する。 Aethelは、エンティティパスグラフとしてコーパスをモデル化し、マルチホップ金融ディリジェンスをサポートするために、明示的なリレーショナルパスを通じて関連性を伝播する。 我々は,4,123チャンクの財務開示コーパス上での検索を評価し,グラフ検索がマルチホップリコールにおける密度検索より優れていることを発見した。
  論文  参考訳（メタデータ） (2026-07-20T21:47:33Z)
• MM-Doc-R1: Training Agents for Long Document Visual Question Answering through Multi-turn Reinforcement Learning [74.07254720088926]
  長文の視覚的質問応答に対処するために,エージェント型視覚認識ワークフローを利用する新しいフレームワークMM-Doc-R1を紹介する。 GRPOのような既存のマルチターン強化学習(RL)アルゴリズムにおけるベースライン推定バイアスに対処する、類似性に基づくポリシー最適化(SPO)を提案する。 MMLongbench-Docベンチマークの実験では、MM-Doc-R1が以前のベースラインを10.4%上回る結果となった。
  論文  参考訳（メタデータ） (2026-04-15T07:39:08Z)
• 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)
• SiReRAG: Indexing Similar and Related Information for Multihop Reasoning [96.60045548116584]
  SiReRAGは、類似情報と関連する情報の両方を明示的に考慮する新しいRAGインデックス方式である。 SiReRAGは、3つのマルチホップデータセットの最先端インデックス手法を一貫して上回る。
  論文  参考訳（メタデータ） (2024-12-09T04:56:43Z)
• Generative Retrieval Meets Multi-Graded Relevance [104.75244721442756]
  GRADed Generative Retrieval (GR$2$)というフレームワークを紹介します。 GR$2$は2つの重要なコンポーネントに焦点を当てている。 マルチグレードとバイナリの関連性を持つデータセットの実験は,GR$2$の有効性を示した。
  論文  参考訳（メタデータ） (2024-09-27T02:55:53Z)
• UnifieR: A Unified Retriever for Large-Scale Retrieval [84.61239936314597]
  大規模な検索は、クエリを与えられた巨大なコレクションから関連ドキュメントをリコールすることである。 事前学習型言語モデル(PLM)に基づく最近の検索手法は,高密度ベクターあるいはレキシコンに基づくパラダイムに大別することができる。 本論文では,高密度ベクトルとレキシコンに基づく検索を2つの表現能力を持つ1つのモデルで統合する学習フレームワークUnifieRを提案する。
  論文  参考訳（メタデータ） (2022-05-23T11:01:59Z)

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。