最近、AdaGATEと呼ばれる新しい研究が、マルチホップ検索拡張生成（RAG）シナリオのための学習不要の証拠コントローラを提案しました。この研究はYilin Guo、Yinshan Wang、Yixuan Wangによって行われ、2026年5月4日にarXiv（番号2605.05245）に投稿されました。コードと評価パイプラインはGitHub（https://github.com/eliguo/AdaGATE）で公開されています。
従来のRAGは、マルチホップ質問応答において、検索された証拠にノイズや冗長性が含まれていたり、コンテキストウィンドウが限られている場合に脆弱でした。既存の手法はコンテキストを単に拡大したり、固定トップkから選択するか、関連性を最適化するものでしたが、欠落したブリッジファクトを明示的に修復することはしていませんでした。AdaGATEは証拠選択をトークン制約付き修復問題としてモデル化し、エンティティ中心のギャップ追跡、ターゲットマイクロクエリ生成、および効用ベースの選択メカニズムという3つの主要コンポーネントを組み合わせます。このメカニズムは、ギャップカバレッジ、証拠の裏付け、新規性、冗長性、直接的な質問関連性をバランスよく考慮し、最適な証拠セットを選択します。
実験はHotpotQAデータセットを用いて、クリーン、冗長注入、ノイズ注入の3つの検索条件下で行われました。結果は一貫して、AdaGATEがすべての比較コントローラの中で証拠F1スコアで最高を達成し、クリーンデータで62.3%、冗長注入下で71.2%を記録し、使用トークン数はAdaptive-kの2.6倍少ないことを示しました。これらの結果は、明示的なギャップ認識修復とトークン効率的な証拠選択を組み合わせることで、不完全な検索環境下でのマルチホップRAGのロバスト性が向上することを示唆しています。
この研究のコードと評価パイプラインはGitHubで公開されており、不完全な検索環境下でのマルチホップRAGのロバスト性向上に有効なソリューションを提供しています。今後、AdaGATEはマルチホップ質問応答システムの重要なコンポーネントとなり、より複雑なタスクへのRAGの応用を促進することが期待されます。