Hi-Q: マルチホップ質問応答のための階層的エビデンスに基づくクエリ精錬

要旨

マルチホップ質問応答（QA）における中心的なボトルネックは、質問が表現される粒度と、コーパス内の証拠が検索可能な粒度がしばしば異なることにある。既存手法は、コーパス上に固定のグラフ構造を課す、クエリを反復的に再構成する、または生成されたプログラムを実行するという方法でこの不一致に対処しているが、これらの戦略は、クエリ単位がいつ既に証拠によって裏付けられ、いつ精緻化すべきかを明示的に決定しない。我々はこのボトルネックを「検索可能な粒度の発見」として定式化し、階層的クエリ精緻化のための証拠条件付きフレームワークであるHi-Qを導入する。各クエリノードにおいて、解決演算子（resolution operator）は、検索された証拠が現在のクエリ単位を裏付けるかどうかを検査する。解決されたノードは終了し、未解決のノードは依存関係を保持する二項演算子によって展開され、意味的カバレッジ検証器によって検査される。したがってHi-Qは、固定の分解テンプレートや事前構築されたグラフではなく、コーパスによる裏付けシグナルによってそのトポロジーが決定されるクエリ木を成長させる。我々は、3つのマルチホップQAベンチマークにおいてHi-Qを評価する。主に、依存する証拠を小さな注釈付きプール内ではなくオープンドメインのディストラクタの中から見つけなければならない、コーパス全体検索の設定で評価する。この設定において、Hi-Qは3ベンチマーク平均でEM 52.3、F1 64.0を達成し、同じ平均において反復検索ベースラインIRCoTをEM 15.1 / F1 18.2上回り、MuSiQue-fullにおいてグラフベースのRAGベースラインPropRAGをEM 11.5 / F1 12.0上回る。しかもコーパス全体にわたるグラフ構築を必要としない。従来研究が用いる制限付きの支持文書／ディストラクタ設定においても、Hi-Qは同様に最高の精度を達成し、平均EM 57.9、F1 69.3となり、PropRAGをEM 5.6 / F1 3.9、IRCoTをEM 13.7 / F1 15.8上回る。プロジェクトページは https://hi-q-project.github.io/ で公開されている。

English

A central bottleneck in multi-hop Question Answering (QA) is that the granularity at which a question is expressed often differs from the granularity at which corpus evidence is retrievable. Existing methods address this mismatch by imposing fixed graph structures over the corpus, by iteratively reformulating the query, or by executing a generated program over it, but these strategies do not explicitly decide when a query unit is already supported by evidence and when it should be refined. We formulate this bottleneck as retrievable granularity discovery and introduce Hi-Q, an evidence-conditioned framework for hierarchical query refinement. At each query node, a resolution operator tests whether retrieved evidence supports the current query unit; resolved nodes terminate, while unresolved nodes are expanded by a dependency-preserving binary operator and checked by a semantic coverage verifier. Hi-Q therefore grows a query tree whose topology is determined by corpus support signals rather than by a fixed decomposition template or a pre-built graph. We evaluate Hi-Q on three multi-hop QA benchmarks, primarily under full-corpus retrieval, where dependent evidence must be located among open-domain distractors rather than within a small annotated pool. In this setting Hi-Q reaches 52.3 EM and 64.0 F1 averaged over the three benchmarks, ahead of the iterative retrieval baseline IRCoT by 15.1 EM / 18.2 F1 on that same average, and ahead of the graph-based RAG baseline PropRAG by 11.5 EM / 12.0 F1 on MuSiQue-full, without corpus-wide graph construction. In the restricted supporting/distractor setting used by prior work, Hi-Q likewise attains the best accuracy, with 57.9 EM and 69.3 F1 on average, ahead of PropRAG by 5.6 EM / 3.9 F1 and IRCoT by 13.7 EM / 15.8 F1. The project page is available at https://hi-q-project.github.io/.