KiRAG: Knowledge-Driven Iterative Retriever for Enhancing Retrieval-Augmented Generation

要約

反復的な検索上位生成（IRAG）モデルは、マルチホップ質問応答（QA）に効果的なアプローチを提供します。
ただし、検索プロセスは2つの重要な課題に直面しています。（1）無関係な文書または事実上不正確な想像力によって混乱する可能性があります。
（2）レトリバーは、マルチステップの推論で進化する情報のニーズに動的に適応するように設計されていないため、各反復ステップで必要な欠落した情報を特定して検索することは困難です。
したがって、Kiragを提案します。Kiragは、知識主導の反復レトリバーモデルを使用してIRAGの検索プロセスを強化します。
具体的には、Kiragはドキュメントを知識トリプルに分解し、これらのトリプルを使用して反復的な検索を実行して、事実上信頼できる検索プロセスを可能にします。
さらに、Kiragは推論を検索プロセスに統合して、情報のギャップを橋渡しし、進化する情報のニーズに効果的に適応する知識を動的に識別および取得します。
経験的結果は、KIRAGが既存のIRAGモデルを大幅に上回ることを示しており、マルチホップQAでは、R@3で平均9.40％、F1で5.14％の平均改善があります。

要約(オリジナル)

Iterative retrieval-augmented generation (iRAG) models offer an effective approach for multi-hop question answering (QA). However, their retrieval process faces two key challenges: (1) it can be disrupted by irrelevant documents or factually inaccurate chain-of-thoughts; (2) their retrievers are not designed to dynamically adapt to the evolving information needs in multi-step reasoning, making it difficult to identify and retrieve the missing information required at each iterative step. Therefore, we propose KiRAG, which uses a knowledge-driven iterative retriever model to enhance the retrieval process of iRAG. Specifically, KiRAG decomposes documents into knowledge triples and performs iterative retrieval with these triples to enable a factually reliable retrieval process. Moreover, KiRAG integrates reasoning into the retrieval process to dynamically identify and retrieve knowledge that bridges information gaps, effectively adapting to the evolving information needs. Empirical results show that KiRAG significantly outperforms existing iRAG models, with an average improvement of 9.40% in R@3 and 5.14% in F1 on multi-hop QA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google