論文の概要: Faithful in Steps: Improving Generalization and Citation in RAG via Query Decomposition
- arxiv url: http://arxiv.org/abs/2611.15538v1
- Date: Wed, 11 Nov 2026 14:22:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.16984
- Title: Faithful in Steps: Improving Generalization and Citation in RAG via Query Decomposition
- Title(参考訳): Fithful in Steps: クエリ分解によるRAGの一般化とサイテーションの改善
- Abstract要約: 帰属的RAG(RAGQ)はその答えの引用を生成する。
既存のRAGQは、マルチホップ推論とマルチモーダル理解を必要とする問題を扱う際に大きな劣化を示す。
本稿では,新しいRAGQフレームワーク,すなわちQDRAGを提案する。
- 参考スコア(独自算出の注目度): 35.809378374913315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retrieval-augment generation is a prevalent strategy to mitigate hallucinations of LLMs. The attributable RAG (RAGQ) generates quotes for its answers. The quotes indicate which input contexts support the RAG to derive the answers, enhancing the answer's verifiability and trustworthiness. However, existing RAGQs exhibit significant degradation when dealing with questions that require multi-hop reasoning and multi-modal understanding, suffering from over-citation, implicit entity identification failure, and poor generalization. In this paper, we propose a novel RAGQ framework, namely QDRAG. QDRAG breaks down the input question into atomic subquestions to identify the implicit entities. Then, the reranker prunes context distractors to eliminate the downstream over-citation. To facilitate query decomposition, we propose two zero-shot approaches: QD-C and QD-R, which guide the QD MLLM to decompose the question based on context knowledge and retrieval rewards, respectively. One interesting finding is that finetuning on the QD task shows better generalizability compared to directly finetuning on the downstream RAGQ task. Experiments on four multi-modal QA benchmarks demonstrate QDRAG's efficacy in grounding answers and generating faithful citations. The framework significantly outperforms all the baselines on both in-domain and out-of-domain tests, even surpassing Gemini-Pro.
- Abstract(参考訳): 検索増強はLLMの幻覚を緩和するための一般的な戦略である。
帰属的RAG(RAGQ)はその答えの引用を生成する。
引用は、どの入力コンテキストが回答を導出するためにRAGをサポートするかを示し、回答の妥当性と信頼性を高める。
しかし、既存のRAGQは、過剰引用、暗黙的な実体識別の失敗、一般化の欠如に苦しむマルチホップ推論とマルチモーダル理解を必要とする問題を扱う際に、重大な劣化を示す。
本稿では,新しいRAGQフレームワーク,すなわちQDRAGを提案する。
QDRAGは入力された質問をアトミックなサブクエストに分解し、暗黙のエンティティを識別する。
そして、リランカは、下流の過剰励磁を除去するためにコンテキストインタラプタをプーンする。
クエリの分解を容易にするために,QD-CとQD-Rの2つのゼロショットアプローチを提案する。
興味深い発見は、下流のRAGQタスクを直接微調整するよりも、QDタスクの微調整の方がより一般化性が高いことである。
4つのマルチモーダルQAベンチマークの実験は、QDRAGが答えを根拠にし、忠実な引用を生成する効果を示した。
このフレームワークはドメイン内テストとドメイン外テストの両方のベースラインをはるかに上回り、Gemini-Proを超えています。
関連論文リスト
- Inferential Question Answering [67.54465021408724]
新しいタスクであるInferential QAを導入します。これは、答えをサポートするパスから答えを推測するためにモデルに挑戦するものです。
そこで本研究では,7,401問と2.4M節からなるQUITデータセットを構築した。
我々は,従来のQAタスクに有効な手法が推論QAに苦しむことを示し,レトリバーは性能が低下し,リランカーは利得が制限され,微調整は不整合の改善をもたらすことを示した。
論文 参考訳(メタデータ) (2026-02-01T14:02:43Z) - ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。
ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
論文 参考訳(メタデータ) (2025-11-27T19:01:02Z) - VeriCite: Towards Reliable Citations in Retrieval-Augmented Generation via Rigorous Verification [107.75781898355562]
証拠を厳格に検証し,回答の帰属性を高めるために設計された,VeriCiteと呼ばれる新しいフレームワークを紹介する。
我々は,5つのオープンソースLCMと4つのデータセットを対象とした実験を行い,VeriCiteが回答の正しさを維持しつつ,引用品質を大幅に向上できることを実証した。
論文 参考訳(メタデータ) (2025-10-13T13:38:54Z) - PrismRAG: Boosting RAG Factuality with Distractor Resilience and Strategized Reasoning [57.89188317734747]
PrismRAGはこのモデルを、イントラクタを意識したQAペアで訓練し、金の証拠と微妙なイントラクタパスを混合する。
LLMを計画し、合理化し、人間工学的な指示に頼らずに合成する推論中心の習慣を取り入れている。
論文 参考訳(メタデータ) (2025-07-25T00:15:31Z) - Question Decomposition for Retrieval-Augmented Generation [2.6409776648054764]
本稿では疑問分解をサブクエストに組み込んだRAGパイプラインを提案する。
補間的な文書を効果的に組み立てる一方で、再ランク付けによってノイズが減少することを示す。
再ランク自体は標準的なものであるが、LLMによる質問分解と既製のクロスエンコーダのペアリングは、マルチホップ質問の検索ギャップを橋渡しすることを示す。
論文 参考訳(メタデータ) (2025-07-01T01:01:54Z) - Evidence Contextualization and Counterfactual Attribution for Conversational QA over Heterogeneous Data with RAG Systems [4.143039012104666]
Retrieval Augmented Generation(RAG)は、会話質問回答(ConvQA)を介して企業のデータと対話するためのバックボーンとして機能する。
本研究では,RAGONITE(RAGONITE,RAGONITE,RAGONITE,RAGONITE,RAAG,RAGONITE,RAGONITE,RAGONITE,RAGONITE,RAAG,RAGONITE ,RAGONITE,RAGONITE,RAGONITE,RAAG,RAGONITE,RAGONITE,RAGONITE,RAGONITE,RAGONITE,RAGONITE,RAGONITE,RAGO NITE)について述べる。
論文 参考訳(メタデータ) (2024-12-13T21:28:17Z) - ELOQ: Resources for Enhancing LLM Detection of Out-of-Scope Questions [52.33835101586687]
本研究では,検索した文書が意味的に類似しているように見えるスコープ外質問について検討するが,答えるために必要な情報がない。
本稿では,閉経後の文書から多様なスコープ外質問を自動的に生成するための,幻覚に基づくELOQを提案する。
論文 参考訳(メタデータ) (2024-10-18T16:11:29Z)
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。