論文の概要: Hypergraph-Enhanced Evidence Selection for Long-Context Multimodal Document QA

• arxiv url: http://arxiv.org/abs/2610.35542v1
• Date: Mon, 26 Oct 2026 14:53:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.039039
• Title: Hypergraph-Enhanced Evidence Selection for Long-Context Multimodal Document QA
• Title（参考訳）: 長期マルチモーダル文書QAのためのハイパーグラフ強調エビデンス選択
• Abstract要約: 現在のパイプラインは、下流視覚言語モデル(VLM)のマルチモーダルエビデンスを選択するために、検索拡張世代(RAG)を採用している。 本稿では,文書関係を保存しながら,コンパクトで十分な証拠を構成する文書RAGフレームワークであるHyperDocを提案する。 この構造化されたエビデンス空間において、HyperDocはクエリインテントと入力予算に基づいて、適応的なコスト対応のハイパーエッジ選択を実行する。
• 参考スコア（独自算出の注目度）: 22.633795491541303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-context multimodal document question answering (QA) has become an important yet challenging task for modern vision-language models (VLMs), as it requires reasoning over evidence dispersed across pages and modalities within limited input budgets. Current pipelines adopt retrieval-augmented generation (RAG) to select multimodal evidence for downstream VLMs. However, existing systems mainly rely on static selection rules over fixed-granularity retrieval units such as pages or blocks, resulting in information loss during retrieval and suboptimal performance in downstream reasoning. To alleviate these issues, we formulate the core task as budget-aware evidence selection over structured document evidence and propose HyperDoc, a document RAG framework that constructs compact yet sufficient evidence while preserving document relations. Specifically, HyperDoc constructs a document hypergraph to explicitly capture structural, logical, and cross-modal relationships among multimodal document elements. Over this structured evidence space, HyperDoc performs adaptive cost-aware hyperedge selection based on query intent and input budget. Extensive experiments on three representative benchmarks demonstrate that HyperDoc outperforms various types of state-of-the-art baselines.
• Abstract（参考訳）: QA (Long-context multimodal document questions answering) は現代の視覚言語モデル(VLM)において重要な課題となっている。 現在のパイプラインは、下流VLMのマルチモーダルエビデンスを選択するために、検索拡張生成(RAG)を採用している。 しかし、既存のシステムは主にページやブロックなどの固定粒度検索ユニットに対する静的選択規則に依存しており、ダウンストリーム推論における検索時の情報損失や準最適性能が生じる。 これらの問題を緩和するために、構造化された文書証拠よりも予算に配慮した証拠選択としてコアタスクを定式化し、文書関係を保ちながらコンパクトで十分な証拠を構成する文書RAGフレームワークであるHyperDocを提案する。 具体的には、HyperDocは文書ハイパーグラフを構築し、マルチモーダル文書要素間の構造的、論理的、および相互モーダル関係を明示的にキャプチャする。 この構造化されたエビデンス空間において、HyperDocはクエリインテントと入力予算に基づいて、適応的なコスト対応のハイパーエッジ選択を実行する。 3つの代表的なベンチマークに関する大規模な実験は、HyperDocが様々なタイプの最先端ベースラインを上回っていることを示している。

関連論文リスト

• DocTrace: Towards Traceable Long Document VQA via Hierarchical Evidence Graph Reasoning [14.841209914774778]
  Long Document Visual Question Answering (LongDocVQA)は、複数のページにまたがる異種文書要素を探索し、統合し、推論するために、MLLM(Multimodal Large Language Models)を必要とする。 エンド・ツー・エンドのMLLMを含む既存のアプローチは、しばしば推論中に、根拠となる証拠がどのように徐々に構成されているかを表現し、検証するための明確なメカニズムを欠いている。 本稿では,エビデンスローカライゼーション,構造化文書解析,エビデンスグラフ推論を行う階層的なフレームワークであるDocTraceを提案する。
  論文  参考訳（メタデータ） (2026-08-04T08:04:59Z)
• MAGE-RAG: Multigranular Adaptive Graph Evidence for Agentic Multimodal RAG in Long-Document QA [14.865891513918278]
  長い文書のマルチモーダルな質問応答には、長いPDFでスパースエビデンスを見つけるシステムが必要である。 本稿では,長期文書マルチモーダルQAのための多言語適応グラフエビデンスフレームワークであるMAGE-RAGを提案する。
  論文  参考訳（メタデータ） (2026-06-14T16:34:15Z)
• Doc-V*:Coarse-to-Fine Interactive Visual Reasoning for Multi-Page Document VQA [71.42483000929614]
  複数ページのドキュメント 視覚的質問回答は、長い、視覚的に密集したドキュメントにおける意味論、レイアウト、および視覚的要素の推論を必要とする。 我々は,多ページDocVQAをシーケンシャルエビデンスアグリゲーションとしてキャストするtextbfOCRフリーエージェントフレームワークであるDoc-$V*$を提案する。
  論文  参考訳（メタデータ） (2026-04-15T11:12:27Z)
• MARA: A Multimodal Adaptive Retrieval-Augmented Framework for Document Question Answering [51.19392014547221]
  検索型マルチモーダル文書QAは,視覚的にリッチな文書から複雑なマルチモーダル構造を持つ関連情報を識別し,統合することを目的としている。 現在のアプローチは、サージェントなコンテンツを見渡すクエリに依存しないドキュメント表現に依存しています。 本稿では,クエリ適応生成を導入したMultimodal Adaptive Retrieval-Augmented (MARA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-01T12:27:40Z)
• Doc-Researcher: A Unified System for Multimodal Document Parsing and Deep Research [31.973886754355547]
  Doc-Researcherは、テキストのみ、ビジョンのみ、ハイブリッドパラダイム間のギャップを埋める統一システムである。 マルチモーダル,マルチホップ,マルチドキュメント,マルチターンディープリサーチの最初のベンチマークであるM4DocBenchを紹介する。 Doc-Researcherの精度は50.6%で、最先端のベースラインよりも3.4倍高い。
  論文  参考訳（メタデータ） (2025-10-24T16:07:54Z)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• Benchmarking Retrieval-Augmented Multimodal Generation for Document Question Answering [60.062194349648195]
  Document Visual Question Answering (DocVQA)は、長いマルチモーダル文書の処理において2つの課題に直面している。 現在の文書検索拡張生成法(DocRAG)はテキスト中心のアプローチによって制限されている。 MMDocRAGは,多ページのクロスモーダルエビデンスチェーンを持つ4,055のエキスパートアノテーション付きQAペアを特徴とする総合ベンチマークである。
  論文  参考訳（メタデータ） (2025-05-22T09:52:57Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)

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。