論文の概要: DuQUAD: A Dual-View Framework with Quality-Aware Evidence Pruning for Multi-Document Question Answering

• arxiv url: http://arxiv.org/abs/2610.37701v1
• Date: Sun, 25 Oct 2026 14:14:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.889744
• Title: DuQUAD: A Dual-View Framework with Quality-Aware Evidence Pruning for Multi-Document Question Answering
• Title（参考訳）: DuQUAD: 複数文書質問回答のための品質保証型デュアルビューフレームワーク
• Abstract要約: 検索拡張生成を伴う大規模言語モデルは、マルチドキュメントのコンテキストの中間において、体系的にエビデンスを非活用する。 マルチドキュメントQAフレームワークであるDuQUADを提案する。
• 参考スコア（独自算出の注目度）: 10.62333858188658
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language models with retrieval-augmented generation systematically underutilize evidence in the middle of multi-document contexts, a phenomenon known as Lost in the Middle. Existing mitigation strategies, such as document reordering and attention steering, can reduce boundary bias but remain brittle in noisy settings, where inaccurate relevance estimation and spurious documents still obscure useful evidence in central positions. We propose DuQUAD, a multi-document QA framework that mitigates positional bias through dual-view reasoning and quality-aware evidence pruning. DuQUAD combines a Local Agent guided by a Structural Fusion Score with a Global Agent that reasons over the full document set, providing both targeted evidence recovery and broad contextual understanding. The framework further filters candidate evidence using explicit quality scoring and refines it at the sentence level to reduce noise. DuQUAD consistently outperforms strong Lost-in-the-Middle mitigation baselines, including hybrid retrieval and reranking, multi-agent reasoning, and context optimization methods, improving accuracy by 3.0% on average over the strongest competing baseline and gold evidence recall by 9.4%, while substantially reducing computational cost compared to existing multi-agent frameworks.
• Abstract（参考訳）: 検索拡張世代を持つ大規模言語モデルは、複数の文書のコンテキストの途中で、体系的にエビデンスを弱めている。 文書の並べ替えやアテンションステアリングといった既存の緩和戦略は、境界バイアスを低減できるが、ノイズの多い環境では不安定であり、不正確な関連性推定と急激な文書は、依然として中心的な位置において有用な証拠を曖昧にしている。 マルチドキュメントQAフレームワークであるDuQUADを提案する。 DuQUADは、構造融合スコアによってガイドされるローカルエージェントとグローバルエージェントを組み合わせることで、完全なドキュメントセットの理由となり、ターゲットとなる証拠の回復と広いコンテキスト理解の両方を提供する。 このフレームワークはさらに、明確な品質スコアリングを使用して候補証拠をフィルタリングし、それを文レベルで洗練してノイズを低減する。 DuQUADは、ハイブリッド検索と再ランク、マルチエージェント推論、コンテキスト最適化手法などの強力なロスト・イン・ザ・ミドル緩和ベースラインを一貫して上回り、競合する最強のベースラインとゴールドエビデンスを平均3.0%上回り、既存のマルチエージェントフレームワークと比較して計算コストを大幅に削減する。

関連論文リスト

• HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
  我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。 HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。 報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-27T23:50:46Z)
• Dual-Confidence Contrastive Decoding for Retrieval-Augmented Generation [18.633632165243423]
  多文書RAGにおけるコンテクスト内競合の相補的問題について検討した。 トレーニング不要な復号法としてDual-Confidence Contrastive Decoding (DCCD)を提案する。 DCCDは、フルコンテキストとコントラストデコードベースラインの間で最高の平均性能を達成する。
  論文  参考訳（メタデータ） (2026-07-01T07:55:21Z)
• DocSeeker: Structured Visual Reasoning with Evidence Grounding for Long Document Understanding [63.257540233507626]
  本稿では、構造化解析、局所化、推論のワークフローを実行するためにモデルを必要とするパラダイムを提案する。 ショートページトレーニングから超長文書への堅牢な一般化を示し、視覚的検索・拡張生成システムと自然に相乗効果を示す。
  論文  参考訳（メタデータ） (2026-04-14T14:39:26Z)
• 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)
• Embedding-Based Context-Aware Reranker [11.885086835801523]
  Retrieval-Augmented Generation (RAG) システムは、下流生成をサポートするためにコーパスから関連する証拠を取得することに依存している。 本稿では,検索したパスの埋め込みを直接操作する軽量なリグレードフレームワークである Embedding-based Context-Aware Reranker (EBCAR) を提案する。 ConTEBベンチマークを用いて,SOTAリランカに対するEBCARの評価を行い,クロスパス推論を必要とする情報検索の有効性を実証した。
  論文  参考訳（メタデータ） (2025-10-15T09:14:04Z)
• 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。