論文の概要: DeFT-RAG: Incrementally Decomposing Multi-Hop Questions into Self-Contained Sub-Questions with Reusable Answers

• arxiv url: http://arxiv.org/abs/2610.37826v1
• Date: Tue, 27 Oct 2026 18:40:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.900702
• Title: DeFT-RAG: Incrementally Decomposing Multi-Hop Questions into Self-Contained Sub-Questions with Reusable Answers
• Title（参考訳）: DeFT-RAG: 繰り返し回答を伴う自己完結サブクエストへのマルチホップ質問をインクリメンタルに分解する
• Abstract要約: Retrieval-augmented Generation (RAG)は、大きな言語モデル(LLM)が、大きなコーパスから関連するパスを取得することで質問に答える。 3つのコンポーネント上に構築されたRAGフレームワークであるDeFT-RAGを提案する。 MuSiQue、2WikiMultiHopQA、HotpotQAでは、DeFT-RAGは13のベースラインの中で最も精度が高い。
• 参考スコア（独自算出の注目度）: 1.7950498718464853
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-augmented generation (RAG) lets a large language model (LLM) answer questions by retrieving relevant passages from a large corpus. However, RAG struggles with multi-hop questions, which require chaining facts spread across several documents through intermediate entities that the question never mentions. Graph-based RAG methods retrieve once from the entities a question names and so rarely recover the full evidence chain. Iterative RAG methods recover it step by step, but their accuracy is limited by the many tasks they ask the LLM to perform, such as planning the sub-questions, deciding their dependencies, rewriting them as answers arrive, and keeping track of what is known. We propose DeFT-RAG, a RAG framework built on three components. First, DeFT-RAG generates one self-contained sub-question at a time from the original question and the sub-questions answered so far with their answers (QA pairs). Each sub-question names every entity it asks about, which removes the need to plan, track dependencies or rewrite, and lets the LLM focus on a single fine-grained task at a time. Second, DeFT-RAG moves the remaining LLM work outside the LLM: rule-based updates to a QA table that keeps track of what is known, and yes/no decisions made by a fine-tuned lightweight decision model. Third, DeFT-RAG caches the QA pairs and reuses an answer when a later question asks a sub-question with the same meaning. On MuSiQue, 2WikiMultiHopQA and HotpotQA, DeFT-RAG achieves the best accuracy among thirteen baselines with both gpt-4o-mini and Qwen3.6 as the backbone, while giving the LLM fewer input tokens than any other iterative method. With a QA cache shared across 1,000 MuSiQue questions, 23.1% of sub-questions are answered from the cache, which reduces LLM calls by 12.9% without lowering accuracy.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG)は、大きな言語モデル(LLM)が、大きなコーパスから関連するパスを取得することで質問に答える。 しかしながら、RAGは複数の文書にまたがる連鎖的な事実を必要とするマルチホップ問題に苦慮している。 グラフベースのRAGメソッドは、エンティティから質問名を取得して、完全なエビデンスチェーンを復元することは滅多にない。 反復的なRAGメソッドは段階的にそれを回復するが、その正確性は、サブクエストの計画、依存関係の決定、回答の到着時の書き換え、既知のことの追跡など、LCMに実行する多くのタスクによって制限される。 3つのコンポーネント上に構築されたRAGフレームワークであるDeFT-RAGを提案する。 第一に、DeFT-RAGは元の質問から一度に1つの自己完結したサブクエストを生成し、その答え(QAペア)でこれまで答えられたサブクエストを出力する。 各サブクエストは、それが要求するすべてのエンティティを名付け、プランニング、依存関係の追跡、リライトの必要性を排除し、LLMが一度に1つのきめ細かいタスクに集中できるようにします。 第2に、DeFT-RAGは、残りのLCMの作業をLCMの外部に移動します。ルールベースの更新は、既知のことを追跡するQAテーブルに、そして、微調整された軽量な決定モデルによってなされるイエス/ノーの決定です。 第3に、DeFT-RAGはQAペアをキャッシュし、後続の質問が同じ意味を持つサブクエストを問うと答えを再利用する。 MuSiQue, 2WikiMultiHopQA および HotpotQA では、DeFT-RAG は他の反復法よりも入力トークンが少ないのに対して、gpt-4o-mini と Qwen3.6 をバックボーンとして13のベースラインで最高精度を達成している。 1000 MuSiQue の質問で共有される QA キャッシュでは、23.1% のサブクエリがキャッシュから応答され、精度を落とさずに LLM コールを 12.9% 削減する。

関連論文リスト

• Ask Before You Answer: A Question-Driven Evidence Reasoning Architecture (QERA) for In-Context Learning [55.5725245335962]
  質問駆動のエビデンス推論アーキテクチャであるQERAを提案する。 QERAはまず要求を要求チェックリストと入力された情報要求に変換し、ユーザーの言葉に忠実なコードでフィルタリングする。 その後、会話全体から回答し、コードによって検証された引用で同じ質問を繰り返す。
  論文  参考訳（メタデータ） (2026-10-26T09:26:23Z)
• CompactRAG: Reducing LLM Calls and Token Overhead in Multi-Hop Question Answering [15.281365738928415]
  既存のマルチホップRAGシステムは、各ステップで検索と推論を交互に行う。 オンライン推論からオフラインコーパス再構成を分離するフレームワークであるCompactRAGを提案する。 HotpotQA, 2WikiMultiHopQA, MuSiQue の実験では, CompactRAG がトークン消費を大幅に削減し,競争精度を向上することを示した。
  論文  参考訳（メタデータ） (2026-02-05T14:52:06Z)
• Cooperative Retrieval-Augmented Generation for Question Answering: Mutual Information Exchange and Ranking by Contrasting Layers [2.007262412327553]
  CoopRAGは、レトリバーとLLMが協調して動作する質問応答タスクのための新しいRAGフレームワークである。 実験の結果、CoopRAGは3つのマルチホップQAデータセットと単純なQAデータセットに対して、最先端QA手法を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-12-11T08:35:17Z)
• Transforming Questions and Documents for Semantically Aligned Retrieval-Augmented Generation [1.223779595809275]
  マルチホップ質問応答に適した新しい検索拡張世代(RAG)フレームワークを提案する。 本システムは,大規模言語モデル(LLM)を用いて,複雑なマルチホップ質問を文書検索を導く単一ホップ要求列に分解する。 生文書やチャンクを直接埋め込む代わりに、Qwen3-8Bを使って各文書チャンクから回答可能な質問を生成し、これらの生成された質問を埋め込んで、質問-問合せの類似性を通じて関連チャンクを検索する。
  論文  参考訳（メタデータ） (2025-08-13T12:35:04Z)
• The benefits of query-based KGQA systems for complex and temporal questions in LLM era [55.20230501807337]
  大規模言語モデルは質問回答(QA)に優れていますが、マルチホップ推論や時間的質問には苦戦しています。 クエリベースの知識グラフ QA (KGQA) は、直接回答の代わりに実行可能なクエリを生成するモジュール形式の代替手段を提供する。 WikiData QAのためのマルチステージクエリベースのフレームワークについて検討し、課題のあるマルチホップと時間ベンチマークのパフォーマンスを向上させるマルチステージアプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-16T06:41:03Z)
• EfficientRAG: Efficient Retriever for Multi-Hop Question Answering [52.64500643247252]
  マルチホップ質問応答のための効率的な検索器であるEfficientRAGを紹介する。 実験の結果、EfficientRAGは3つのオープンドメインのマルチホップ質問応答データセット上で既存のRAG手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-08-08T06:57:49Z)
• GenSco: Can Question Decomposition based Passage Alignment improve Question Answering? [1.5776201492893507]
  ジェンスコ(GenSco)は,マルチホップ質問の予測分解に基づく経路選択手法である。 広範に確立された3つのマルチホップ質問応答データセットについて評価した。
  論文  参考訳（メタデータ） (2024-07-14T15:25:08Z)
• MFORT-QA: Multi-hop Few-shot Open Rich Table Question Answering [3.1651118728570635]
  今日の急成長する業界では、専門家は大量の文書を要約し、毎日重要な情報を抽出するという課題に直面している。 この課題に対処するために、テーブル質問回答(QA)のアプローチを開発し、関連する情報を抽出した。 近年のLarge Language Models (LLMs) の進歩により,プロンプトを用いて表データから情報を取り出す新たな可能性が高まっている。
  論文  参考訳（メタデータ） (2024-03-28T03:14:18Z)
• Self-Prompting Large Language Models for Zero-Shot Open-Domain QA [67.08732962244301]
  Open-Domain Question Answering (ODQA)は、背景文書を明示的に提供せずに質問に答えることを目的としている。 このタスクは、調整済みの検索リーダーモデルをトレーニングするデータがないゼロショット設定で顕著に困難になる。 本稿では,大規模言語モデルのパラメータに符号化された膨大な知識を明示的に活用するセルフプロンプトフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-16T18:23:43Z)

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。