論文の概要: MAPS: Macro-Adaptive Parallel Reasoning for Regulating Search Momentum in Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2610.29792v1
• Date: Wed, 21 Oct 2026 14:19:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.255408
• Title: MAPS: Macro-Adaptive Parallel Reasoning for Regulating Search Momentum in Retrieval-Augmented Generation
• Title（参考訳）: MAPS:Retrieval-Augmented Generationにおける検索モーメントの制御のためのマクロ適応並列推論
• Abstract要約: 探索モーメントを制御し,クエリインテントドリフトを緩和するマクロ適応並列推論フレームワークを提案する。 MAPSは、補完的な検索方向を特定し、並列検索のための対応するサブクエリを生成し、得られたエビデンスを統合して、知識と推論状態を更新する。
• 参考スコア（独自算出の注目度）: 77.94289497648386
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) improves the performance of Large Language Models (LLMs) by retrieving external knowledge. Recently, some RAG methods interleave reasoning and retrieval, enabling LLMs to progressively generate sub-queries and retrieve external knowledge. However, these methods may suffer from redundant or ineffective sub-queries and insufficiently diverse query exploration. Moreover, due to the tightly interleaved nature of reasoning and retrieval, it remains unclear how the evolving reasoning process influences query intent. To characterize the evolution of query intent during reasoning, we introduce search momentum, which captures the accumulated retrieval tendency induced by historical changes in generated sub-queries along the reasoning trajectory. Through momentum-based analysis, we find that the query generation process tends to continuously evolve along existing retrieval trajectories. Based on this observation, we propose MAPS, a Macro-Adaptive Parallel Reasoning framework for regulating search momentum and mitigating query-intent drift. MAPS first retains the retrieved knowledge and a refined reasoning state, thereby reducing the influence of historical reasoning trajectories on subsequent sub-query generation. Subsequently, MAPS extends the conventional sequential reasoning process into a parallel reasoning paradigm. At each iteration, MAPS identifies complementary retrieval directions, generates corresponding sub-queries for parallel retrieval, and consolidates the retrieved evidence to update the knowledge and reasoning states. Experiments on six question-answering benchmarks demonstrate that MAPS consistently outperforms representative RAG methods across different backbone models. All code and resources are available at https://github.com/NEUIR/MAPS.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG)は、外部知識を取得することで、Large Language Models (LLM)のパフォーマンスを向上させる。 近年,いくつかのRAG手法は推論と検索をインターリーブし,LCMが段階的にサブクエリを生成して外部知識を検索することを可能にする。 しかし、これらの手法は冗長または非効率なサブクエリと不十分な多様なクエリ探索に悩まされる可能性がある。 さらに, 推論と検索の密接な相互関係から, 進化する推論プロセスが問合せ意図にどのような影響を及ぼすかは, いまだ不明である。 推理過程における問合せ意図の進化を特徴付けるため,探索モーメントを導入し,推理軌道に沿った生成サブクエリの履歴変化によって引き起こされる蓄積された検索傾向を抽出する。 モーメントに基づく解析により、クエリ生成プロセスは既存の検索軌跡に沿って継続的に進化する傾向にあることがわかった。 この観測に基づいて,探索モーメントの調整とクエリインテントドリフトの緩和のためのマクロ適応並列推論フレームワークMAPSを提案する。 MAPSは、検索した知識と洗練された推論状態を保持し、それによって、後続のサブクエリ生成に対する歴史的推論軌道の影響を減少させる。 その後、MAPSは従来のシーケンシャル推論プロセスを並列推論パラダイムに拡張した。 各イテレーションにおいて、MAPSは補完的な検索方向を特定し、並列検索のための対応するサブクエリを生成し、得られたエビデンスを統合して、知識と推論状態を更新する。 6つの質問応答ベンチマークの実験により、MAPSは異なるバックボーンモデルで代表RAG法を一貫して上回っていることが示された。 すべてのコードとリソースはhttps://github.com/NEUIR/MAPS.comで入手できる。

関連論文リスト

• R$^2$-Searcher: Calibrating Retrieval and Reasoning Boundaries for Agentic Search [59.034878430183305]
  R$2$-Searcherは、検索と推論の境界を明示的に探索し、校正する。 R$2$-Searcherは,解答精度と検索品質において,最先端のエージェント検索法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-06-26T19:44:34Z)
• RL-Index: Reinforcement Learning for Retrieval Index Reasoning [73.82948316789812]
  強化学習問題として検索インデックス推論を定式化するエージェントインデックスフレームワークであるRL-Indexを提案する。 RL-Indexは、潜在クエリ-知識関係を明示的にエンコードする有理性を持つ文書を増補することで、推論をインデックス化段階にシフトする。 BRIGHTベンチマークの実験では、RL-Indexは検索とダウンストリームの問合せ性能を一貫して改善している。
  論文  参考訳（メタデータ） (2026-06-15T07:22:36Z)
• Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
  Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。 逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。 この調査は両鎖を統一的推論-検索の観点から合成する。
  論文  参考訳（メタデータ） (2025-07-13T03:29:41Z)
• ReaRAG: Knowledge-guided Reasoning Enhances Factuality of Large Reasoning Models with Iterative Retrieval Augmented Generation [38.64751082999587]
  大きな推論モデル(LRM)は、顕著な推論能力を示すが、主にパラメトリック知識に依存し、事実の正確性を制限する。 本稿では,過剰な反復を伴わない多様なクエリを探索する,事実性強化推論モデルReaRAGを提案する。 我々の研究は、レトリーバル強化世代(RAG)のロバスト推論を効果的に統合しつつ、LRMの事実性を向上する。
  論文  参考訳（メタデータ） (2025-03-27T17:44:18Z)
• DeepRAG: Thinking to Retrieve Step by Step for Large Language Models [92.87532210660456]
  我々はマルコフ決定過程(MDP)として検索強化推論をモデル化するDeepRAGを提案する。 クエリを反復的に分解することで、DeepRAGは外部知識を取得するか、あるいは各ステップでパラメトリック推論に依存するかを動的に決定する。 実験の結果,DeepRAGは検索効率を向上し,回答精度を26.4%向上させ,検索強化推論の有効性を示した。
  論文  参考訳（メタデータ） (2025-02-03T08:22:45Z)
• Retrieval-Augmented Generation by Evidence Retroactivity in LLMs [19.122314663040726]
  Retroactive Retrieval-Augmented Generation(Retroactive Retrieval-Augmented Generation)は、レトロアクティブ推論パラダイムを構築するための新しいフレームワークである。 RetroRAGは証拠を修正・更新し、推論チェーンを正しい方向にリダイレクトする。 経験的評価は、RetroRAGが既存の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2025-01-07T08:57:42Z)

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。