arXiv:2510.07718v2 Announce Type: replace 
Abstract: Graph Retrieval-Augmented Generation (Graph RAG) effectively builds a knowledge graph (KG) to connect disparate facts across a large document corpus. However, this broad-view approach often lacks the deep structured reasoning needed for complex multi-hop question answering (QA), leading to incomplete evidence and error accumulation. To address these limitations, we propose SubQRAG, a sub-question-driven framework that enhances reasoning depth. SubQRAG decomposes a complex question into an ordered chain of verifiable sub-questions. For each sub-question, it retrieves relevant triples from the graph. When the existing graph is insufficient, the system dynamically expands it by extracting new triples from source documents in real time. All triples used in the reasoning process are aggregated into a "graph memory," forming a structured and traceable evidence path for final answer generation. Experiments on three multi-hop QA benchmarks demonstrate that SubQRAG achieves consistent and significant improvements, especially in Exact Match scores.

تقديم SubQRAG يمثل تقدمًا كبيرًا في مجال توليد المعلومات المعزز من خلال استرجاع الرسوم البيانية. من خلال التركيز على الأسئلة الفرعية، يعزز هذا الإطار المبتكر عمق التفكير المطلوب للإجابة على الأسئلة المعقدة متعددة الخطوات. هذا أمر حاسم لأن الطرق التقليدية غالبًا ما تواجه صعوبة في تقديم أدلة غير مكتملة، مما يؤدي إلى الأخطاء. يعد نهج SubQRAG بتحسين دقة وموثوقية استرجاع المعلومات، مما يجعله أداة قيمة للباحثين والمطورين في مجتمعات الذكاء الاصطناعي وعلوم البيانات.

La introducción de SubQRAG marca un avance significativo en el campo de la Generación Aumentada por Recuperación de Grafos. Al centrarse en sub-preguntas, este innovador marco mejora la profundidad del razonamiento necesaria para responder preguntas complejas de múltiples saltos. Esto es crucial porque los métodos tradicionales a menudo luchan con evidencia incompleta, lo que lleva a errores. El enfoque de SubQRAG promete mejorar la precisión y la fiabilidad de la recuperación de información, convirtiéndolo en una herramienta valiosa para investigadores y desarrolladores en las comunidades de IA y ciencia de datos.

L'introduction de SubQRAG représente une avancée significative dans le domaine de la génération augmentée par récupération de graphes. En se concentrant sur les sous-questions, ce cadre innovant améliore la profondeur de raisonnement nécessaire pour des réponses à des questions complexes à plusieurs étapes. Cela est crucial car les méthodes traditionnelles ont souvent du mal avec des preuves incomplètes, entraînant des erreurs. L'approche de SubQRAG promet d'améliorer la précision et la fiabilité de la récupération d'informations, ce qui en fait un outil précieux pour les chercheurs et les développeurs dans les communautés de l'IA et des sciences des données.

The introduction of SubQRAG marks a significant advancement in the field of Graph Retrieval-Augmented Generation. By focusing on sub-questions, this innovative framework enhances the depth of reasoning required for complex multi-hop question answering. This is crucial because traditional methods often struggle with incomplete evidence, leading to errors. SubQRAG's approach promises to improve the accuracy and reliability of information retrieval, making it a valuable tool for researchers and developers in the AI and data science communities.

SUBQRAG: Sub-Question Driven Dynamic Graph RAG

arXiv:2510.20548v2 Announce Type: replace 
Abstract: Reinforcement learning has recently shown promise in improving retrieval-augmented generation (RAG). Despite these advances, its effectiveness in multi-hop question answering (QA) remains limited by two fundamental limitations: (i) global planning absence to structure multi-step reasoning, and (ii) unfaithful execution, which hinders effective query formulation and consistent use of retrieved evidence. We propose GlobalRAG, a reinforcement learning framework designed to enhance global reasoning in multi-hop QA. GlobalRAG decomposes questions into subgoals, coordinates retrieval with reasoning, and refines evidence iteratively. To guide this process, we introduce Planning Quality Reward and SubGoal Completion Reward, which encourage coherent planning and reliable subgoal execution. In addition, a progressive weight annealing strategy balances process-oriented and outcome-based objectives. Extensive experiments on both in-domain and out-of-domain benchmarks demonstrate that GlobalRAG significantly outperforms strong baselines while using only 8k training data (42% of the training data used by strong baselines), achieving average improvements of 14.2% in both EM and F1.

GlobalRAG هو إطار مقترح للتعلم المعزز يهدف إلى تحسين التفكير العالمي في الإجابة على الأسئلة متعددة الخطوات (QA). يتناول القيود الموجودة في الأساليب الحالية من خلال تقسيم الأسئلة إلى أهداف فرعية، وتنسيق الاسترجاع مع التفكير، وتنقيح الأدلة بشكل تكراري. يقدم الإطار مكافآت جديدة لتشجيع التخطيط المتماسك والتنفيذ الموثوق للأهداف الفرعية، بهدف تحسين فعالية أنظمة QA متعددة الخطوات.

GlobalRAG es un marco propuesto de aprendizaje por refuerzo que busca mejorar el razonamiento global en la respuesta a preguntas de múltiples pasos (QA). Aborda las limitaciones de los métodos actuales al descomponer preguntas en subobjetivos, coordinar la recuperación con el razonamiento y refinar la evidencia de manera iterativa. El marco introduce nuevas recompensas para fomentar una planificación coherente y una ejecución confiable de los subobjetivos, con el objetivo de mejorar la efectividad de los sistemas de QA de múltiples pasos.

GlobalRAG est un cadre proposé d'apprentissage par renforcement visant à améliorer le raisonnement global dans les questions-réponses multi-étapes (QA). Il aborde les limitations des méthodes actuelles en décomposant les questions en sous-objectifs, en coordonnant la récupération avec le raisonnement et en affinant les preuves de manière itérative. Le cadre introduit de nouvelles récompenses pour encourager une planification cohérente et une exécution fiable des sous-objectifs, visant à améliorer l'efficacité des systèmes QA multi-étapes.

GlobalRAG is a proposed reinforcement learning framework aimed at enhancing global reasoning in multi-hop question answering (QA). It addresses limitations in current methods by decomposing questions into subgoals, coordinating retrieval with reasoning, and refining evidence iteratively. The framework introduces new rewards to encourage coherent planning and reliable execution of subgoals, aiming to improve the effectiveness of multi-hop QA systems.

SUBQRAG: Sub-Question Driven Dynamic Graph RAG

Was this article worth reading? Share it