論文の概要: RCER: Reconstructing Cross-Evidence Relations for Iterative Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2610.19398v1
• Date: Wed, 14 Oct 2026 01:47:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.889779
• Title: RCER: Reconstructing Cross-Evidence Relations for Iterative Retrieval-Augmented Generation
• Title（参考訳）: RCER:反復検索拡張生成のためのクロスエビデンス関係の再構築
• Abstract要約: 反復検索増強世代(RAG)は複雑な質問に答えるために知識を蓄積する。 既存の手法は、取得されたパス間でのエンティティの対応や推論の依存関係を再構築するのに苦労する。 蓄積されたソースパスから直接これらのクロスエビデンス関係を再構築する反復RAG法であるRCERを提案する。
• 参考スコア（独自算出の注目度）: 2.3863091287738762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Iterative retrieval-augmented generation (RAG) accumulates knowledge from retrieved evidence to answer complex questions, but existing methods struggle to reconstruct entity correspondences and inferential dependencies across retrieved passages as new information emerges. We propose RCER, an iterative RAG method that reconstructs these cross-evidence relations directly from accumulated source passages. Inter-round relational evidence acquisition identifies entity correspondences and relational dependencies to drive dynamic problem decomposition and iterative retrieval. Reasoning context reconstruction independently constructs a coherent reasoning context through joint selection of complementary passages and derivation of cross-evidence inferences. Cross-evidence compositional reasoning leverages these inferences to establish entity correspondences and compose relations across selected passages for answer derivation. Experiments show that RCER outperforms the best baselines by 2.83 EM and 3.06 F1 points on average across three multi-hop QA benchmarks and achieves superior performance on narrative and implicit reasoning tasks.
• Abstract（参考訳）: 反復的検索強化世代(RAG)は、検索された証拠から知識を蓄積し、複雑な質問に答えるが、既存の手法では、新しい情報が出現するにつれて、検索された経路間でのエンティティの対応や推論の依存関係の再構築に苦慮している。 蓄積されたソースパスから直接これらのクロスエビデンス関係を再構築する反復RAG法であるRCERを提案する。 ラウンド間リレーショナルエビデンス取得は、動的問題分解と反復検索を駆動するエンティティ対応とリレーショナル依存関係を識別する。 推論コンテキストの再構成は、相補的な通路の連成選択とクロスエビデンス推論の導出を通じて、独立してコヒーレントな推論コンテキストを構築する。 クロスエビデンス構成推論は、これらの推論を利用してエンティティ対応を確立し、解答の導出のために選択された節間で関係を構成する。 実験の結果、RCERは3つのマルチホップQAベンチマークで平均2.83 EMと3.06 F1ポイントで最高のベースラインを上回り、物語的および暗黙的な推論タスクにおいて優れたパフォーマンスを達成することが示された。

関連論文リスト

• Beyond One-Shot Expansion: Contrastive Evidence Exploration for Multi-Hop Retrieval [19.37201042661162]
  本研究では,エビデンス条件付き探索,パス特化コントラスト改善,カバレッジ対応ファイナルランキングを組み込んだ,トレーニング不要なマルチホップ検索フレームワークを提案する。 MuSiQue、HotpotQA、および2WikiMultihopQAの実験では、ベースラインよりも検索品質と下流QAパフォーマンスが一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-09-07T05:13:56Z)
• Verbal-R3: Verbal Reranker as the Missing Bridge between Retrieval and Reasoning [48.15732775780642]
  本稿では,検索結果と大言語モデルの推論能力をVerbal sを介して橋渡しする手法を提案する。 本稿では,ジェネレータとバーバルリランカを組み合わせた新しいエージェントRAGフレームワークであるVerbal-R3を紹介する。 Verbal-R3は、複雑な質問応答ベンチマークで最先端のパフォーマンスを実現し、提案したフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2026-05-02T11:43:23Z)
• Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs [55.78708003681562]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、生成時に外部知識を取り入れることで緩和する。 既存のRAGアプローチは通常、コンテキストとしてテキストフラグメントを検索し、非構造化する。 本稿では,三重項に基づく検索フレームワークTri-RAGを提案する。
  論文  参考訳（メタデータ） (2026-04-14T11:36:29Z)
• CodaRAG: Connecting the Dots with Associativity Inspired by Complementary Learning [50.98972985136333]
  CodaRAGは、受動的検索からアクティブな連想発見へと進化するフレームワークである。 CodaRAGは、検索リコールで7-10%、生成精度で3-11%という絶対的なゲインを達成する。
  論文  参考訳（メタデータ） (2026-04-12T02:50:40Z)
• Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
  Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。 近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。 提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
  論文  参考訳（メタデータ） (2025-11-12T08:29:39Z)
• Beyond Independent Passages: Adaptive Passage Combination Retrieval for Retrieval Augmented Open-Domain Question Answering [7.468615741572889]
  Adaptive Passage Combination Retrieval (AdaPCR)は、ブラックボックスLMで応答するオープンドメイン質問のための新しいフレームワークである。 AdaPCRは、経路の組み合わせを検索と再ランクのための単位として考慮することで、通路間の依存関係を明示的にモデル化する。
  論文  参考訳（メタデータ） (2025-07-05T15:10:12Z)
• Leveraging Semantic Parsing for Relation Linking over Knowledge Bases [80.99588366232075]
  本稿では,AMRを用いた意味解析と遠隔監視を利用した関係リンクフレームワークであるSlingを提案する。 Slingは複数の関係リンクアプローチを統合し、言語的手がかり、豊かな意味表現、知識ベースからの情報などの補完的な信号をキャプチャする。 QALD-7, QALD-9, LC-QuAD 1.0という3つのKBQAデータセットを用いた関係リンク実験により, 提案手法が全てのベンチマークで最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2020-09-16T14:56:11Z)

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。