論文の概要: RESIN: Multi-Chain Reasoning with Entity-Structured Indexing
- arxiv url: http://arxiv.org/abs/2610.26782v1
- Date: Mon, 19 Oct 2026 17:35:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 01:31:03.840227
- Title: RESIN: Multi-Chain Reasoning with Entity-Structured Indexing
- Title（参考訳）: RESIN:Entity-Structured Indexingを使ったマルチチェーン推論
- Abstract要約: 本稿では,原資料を根拠として,証拠の発見に構造を用いるRESINを紹介する。
HolisQAの全ベンチマークでは、RESINは82.92のコンテキストリコールと76.70の回答関連性を達成した。
- 参考スコア（独自算出の注目度）: 13.478136566954268
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-chain reasoning is a challenging task not only because the multi-chain evidence is dispersed, but also because different parts of reasoning may require distinct, interacting chains of support. Flat retrieval can flood a model with loosely related text, whereas early selection of a single reasoning path can discard evidence that becomes useful only after other facts are considered. We introduce RESIN (Reasoning with Entity Structured Indexing), which uses structure to locate evidence while keeping the original source as the basis for reasoning. RESIN decomposes a question into focused one-hop needs, retrieves a small set of source-grounded units for each hop, and places only this relevant evidence in a compact reasoning buffer. The buffer preserves alternative supports until final composition, making intermediate decisions explicit without forcing a brittle path. On the full HolisQA benchmark, RESIN achieves 82.92 context recall and 76.70 answer relevancy over all questions, with higher reported CR and AR across five domains and higher F1 in four domains than the published baselines. Ablations show that both typed evidence diversity and hop-wise decomposition are essential, supporting a clear conclusion: Precise evidence organization and delayed commitment make multi-chain reasoning effective and auditable. Our code is available at https://github.com/RamonMeng/RESIN.
- Abstract（参考訳）: マルチチェーン推論は、マルチチェーンエビデンスが分散しているだけでなく、異なる部分の推論が異なる相互作用するサポートチェーンを必要とする可能性があるため、困難なタスクである。
フラット検索は、モデルをゆるやかに関連したテキストで洪水させるが、一方、1つの推論パスの早期選択は、他の事実が検討された後にのみ有用となる証拠を破棄することができる。
我々は、構造を用いて証拠を見つけ出し、元のソースを推論の基盤として保持するRESIN(Reasoning with Entity Structured Indexing)を紹介します。
RESINは、質問を焦点を絞ったワンホップのニーズに分解し、各ホップの小さな接地単位を検索し、この関連する証拠のみをコンパクトな推論バッファに配置する。
バッファは最終構成まで代替サポートを保持し、不安定なパスを強制せずに中間決定を明示する。
HolisQAの完全なベンチマークでは、RESINはすべての質問に対して82.92のコンテキストリコールと76.70の回答関連性を達成した。
正確な証拠組織と遅れたコミットメントは、マルチチェーン推論を効果的かつ監査可能にします。
私たちのコードはhttps://github.com/RamonMeng/RESIN.comで公開されています。
関連論文リスト
- Navigating Sparse Evidence: Agentic Visual RAG via Explicit Context Selection and Consolidation [50.92223196290564]
明示的な証拠選択と統合のための統一エージェントループを提案する。
探索中、SCoREはクエリ関連観測とソースポインタのみを保守されたテキスト台帳に保持する。
終了時には、参照された元のイメージを再ロードし、答えの視覚的証拠を統合し、論理的なシーケンスにアレンジする。
論文 参考訳（メタデータ） (2026-09-14T16:11:35Z) - 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) - EviReform: Evidence-Guided Query Reformulation for Multi-Hop Graph Retrieval [0.0]
EviReformは,検索要求の更新と,グラフ内のエビデンスの集約を分離する。
2WikiMultiHopQA、HotpotQA、MuSiQueでは、EviReformは5.59 Recall@5ポイントと4.50 F1ポイントという最強のベースラインを超えた。
論文 参考訳（メタデータ） (2026-08-13T09:25:39Z) - MEGRAG: Multi-Granular Evidence Graphs for Answer-Aware Multi-Hop RAG [13.995448370079728]
マルチホップ質問応答は、検索強化世代における根本的な課題である。
MeGRAGはパス構造化多粒性エビデンスグラフとしてマルチホップ推論を表現している。
MeGRAGは、結果の中間回答と事前の推論を使用して、初期クエリが解決されたかどうかを判断する。
論文 参考訳（メタデータ） (2026-08-03T13:17:49Z) - WILDTRACE: Benchmarking Natural Evidence Trails in Long-Context Reasoning [63.9071746889252]
長い文書に複雑な質問を答えるには、ソース自体が遠くの通路に自然に分散する証拠を統合する必要がある。
この情報源と内部の証拠の統合は、現実世界の長期文書分析の中心であるが、既存のベンチマークはそのほとんどを横取りしている。
WILDTRACEは, 自然発生の214個の長形音源に対する481個のタスクのベンチマークである。
論文 参考訳（メタデータ） (2026-07-10T12:09:21Z) - Hierarchical Evidence-Driven Reasoning for Long Document Understanding [95.51688464037096]
閉領域文書理解のための階層的・エビデンス駆動型マルチモーダルRAGフレームワークであるHIEVI-RAGを紹介する。
我々のフレームワークは、既存のオープンソースベースラインを著しく上回り、最強の報告ベースラインを平均8.05%の精度で上回ります。
論文 参考訳（メタデータ） (2026-07-06T03:08:28Z) - Retrieval-Infused Reasoning Sandbox: A Benchmark for Decoupling Retrieval and Reasoning Capabilities [32.76303717104482]
DeR2(DeR2)は、ドキュメント基底推論を分離する制御されたディープ検索サンドボックスである。
DeR2は、推論から4つのレシエーション(命令のみ、概念のみ、関連のみ、フルセット)を通じてアクセスする証拠を分離する。
さまざまな最先端の基礎モデルに対する実験は、かなりのバリエーションと重要なヘッドルームを明らかにしている。
論文 参考訳（メタデータ） (2026-01-29T16:26:19Z) - ClueAnchor: Clue-Anchored Knowledge Reasoning Exploration and Optimization for Retrieval-Augmented Generation [82.54090885503287]
Retrieval-Augmented Generationは、外部知識を持つ大規模言語モデルを拡張して、事実性を改善する。
既存のRAGシステムは、忠実で解釈可能な推論をサポートするために必要な重要な手がかりを抽出して統合することができない。
本稿では,手掛かり付き推論探索と最適化によるRAG向上のための新しいフレームワークであるClueAnchorを提案する。
論文 参考訳（メタデータ） (2025-05-30T09:18:08Z) - Mitigating Misleading Chain-of-Thought Reasoning with Selective Filtering [59.495717939664246]
大規模言語モデルは、複雑な問題を解くためにチェーン・オブ・ソート(CoT)推論技術を活用することで、顕著な能力を示した。
本稿では,選択フィルタリング推論(SelF-Reasoner)と呼ばれる新しい手法を提案する。
SelF-ReasonerはScienceQA、ECQA、LastLetterタスクに対して、微調整されたT5ベースラインを一貫して改善する。
論文 参考訳（メタデータ） (2024-03-28T06:28:35Z) - Exploiting Reasoning Chains for Multi-hop Science Question Answering [51.86289192292466]
我々のフレームワークは、コーパス固有のアノテーションを必要とせずに説明可能な推論を行うことができる。
ローカルチェーン情報とグローバルチェーン情報の両方に関するTextitChain対応の損失は、生成されたチェーンが遠隔監視信号として機能するようにも設計されている。
論文 参考訳（メタデータ） (2021-09-07T07:22:07Z)
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。