💬 NLP

RELOOP: Recursive Retrieval with Multi-Hop Reasoner and Planners for Heterogeneous QA

Le papier présente RELOOP, un cadre de génération augmentée par récupération (RAG) structuré et efficace qui unifie le traitement de textes, de tables et de graphes de connaissances via une séquence hiérarchique réversible et un processus itératif guidé pour résoudre des questions complexes à multiples étapes avec une précision accrue et une consommation de ressources optimisée.

Auteurs originaux : Ruiyi Yang, Hao Xue, Imran Razzak, Hakim Hacid, Flora D. Salim

Publié 2026-02-27

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ruiyi Yang, Hao Xue, Imran Razzak, Hakim Hacid, Flora D. Salim

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous posez une question très complexe à un expert, par exemple : "Qui est l'auteur du livre qui a inspiré le film russe de 2004 réalisé par Timur Bekmambetov ?"

Pour répondre, l'expert ne peut pas se contenter de deviner. Il doit chercher des preuves. C'est là que le système RELOOP entre en jeu. Voici comment il fonctionne, expliqué simplement avec des images du quotidien.

1. Le Problème : Le chercheur perdu

Actuellement, les intelligences artificielles (comme les grands modèles de langage) ont deux gros problèmes quand elles doivent chercher des réponses :

Elles sont trop rapides et superficiellement : Elles lisent un document, trouvent un mot-clé, et répondent tout de suite. C'est comme si vous cherchiez une aiguille dans une botte de foin en jetant juste un coup d'œil rapide. Vous risquez de rater le lien entre le film et le livre.
Elles sont perdues dans le labyrinthe : Si on leur demande de réfléchir étape par étape, elles peuvent tourner en rond, lire des milliers de pages inutiles, et s'épuiser (cela coûte cher en temps et en argent).

De plus, les informations sont partout : dans des textes, des tableaux Excel, ou des bases de données complexes. Les systèmes actuels ont du mal à naviguer entre ces formats différents.

2. La Solution RELOOP : L'Architecte et le Détective

RELOOP est une nouvelle méthode qui transforme la recherche d'information en une mission de détective très organisée. Elle utilise deux personnages principaux :

A. L'Architecte (Le "HSEQ") : Tout mettre sur la même table

Imaginez que vous avez des documents en vrac : un roman, un tableau Excel de finances, et une carte de relations entre des personnes. C'est le chaos.
L'Architecte de RELOOP prend tout cela et le transforme en une seule grande bande-son linéaire, comme un film.

Il étiquette chaque morceau : "Ceci est un paragraphe", "Ceci est une ligne de tableau", "Ceci est une relation".
Il garde les liens : "Ce paragraphe vient de ce livre", "Cette ligne de tableau est liée à cette colonne".
L'analogie : C'est comme si vous preniez tous les ingrédients d'un repas (farine, œufs, légumes) et que vous les aligniez sur un comptoir avec des étiquettes précises, au lieu de les laisser dans des sacs séparés. Maintenant, le cuisinier peut tout voir d'un coup d'œil.

B. Le Détective (L'Agent d'Itération) : La recherche intelligente

Au lieu de lire tout le livre d'un coup, le Détective (l'IA) agit par petites étapes, guidé par un plan.

Le Plan (Le Guide) : Un "Chef" (un autre agent IA) lit la question et donne un plan simple au Détective : "Cherche d'abord le nom du film, puis cherche le livre qui l'a inspiré, et arrête-toi dès que tu as le nom de l'auteur."
La Boucle (Itération) : Le Détective regarde un petit échantillon d'informations (une "fenêtre"). Il choisit les 3 ou 4 morceaux les plus prometteurs.
Le Signal d'Arrêt : À chaque fois, il se demande : "Est-ce que j'ai assez d'indices pour répondre ?". Si oui, il arrête immédiatement. Si non, il demande à regarder les voisins (les lignes du tableau juste à côté, ou le paragraphe suivant).

L'analogie du jeu de piste : Imaginez que vous jouez à un jeu de piste. Au lieu de courir partout au hasard, vous avez une carte (le plan). À chaque étape, vous vérifiez si vous avez trouvé le trésor. Si oui, vous rentrez à la maison. Si non, vous regardez juste le prochain indice logique. RELOOP évite ainsi de courir en rond.

3. Les Trois Super-Pouvoirs de RELOOP

Le Caméléon (Unification) : Peu importe si la réponse est cachée dans un texte, un tableau ou une base de données, RELOOP utilise la même méthode. C'est comme un détective qui sait lire aussi bien un journal, un relevé bancaire qu'une carte au trésor.
Le Budget (Efficacité) : RELOOP ne gaspille pas d'énergie. Il sait exactement quand s'arrêter. C'est comme un cuisinier qui goûte la sauce à chaque minute : dès qu'elle est parfaite, il éteint le feu. Il ne fait pas cuire le plat pendant 3 heures si 10 minutes suffisent.
La Preuve (Auditabilité) : Quand RELOOP donne une réponse, il vous montre exactement où il a trouvé l'information (le numéro de la page, la ligne du tableau). C'est comme si le détective vous montrait ses photos de preuves. On peut vérifier s'il n'a pas inventé la réponse.

En Résumé

RELOOP est un système qui apprend à l'IA à ne pas être pressée, mais à être stratège.

Il transforme le chaos des données en une liste ordonnée.
Il donne un plan clair pour ne pas se perdre.
Il s'arrête dès qu'il a assez de preuves, économisant du temps et de l'argent.

Au lieu de lancer un missile sur tout le document (ce qui est lent et imprécis), RELOOP envoie un sniper qui vise exactement les bons indices, un par un, jusqu'à ce que le coup soit porté. C'est plus rapide, plus précis, et surtout, on sait exactement comment il a trouvé la réponse.

1. Problématique

Les systèmes de Génération Augmentée par Récupération (RAG) actuels, bien qu'efficaces pour des questions simples, montrent des limites critiques face à deux défis majeurs :

La fragilité face aux questions multi-étapes et aux sources hétérogènes : Les pipelines classiques (récupération unique suivie de génération) échouent souvent à tracer des chaînes de preuves complètes. Les récupérateurs denses, entraînés pour la récupération ponctuelle, manquent de couverture de chemin, et le fractionnement (chunking) des documents brise la cohérence du discours.
L'inefficacité des systèmes multi-agents : Les approches basées sur des agents collaboratifs peuvent réaliser un raisonnement multi-étapes, mais elles souffrent souvent d'une explosion de l'espace de recherche, de boucles de raisonnement verbales excessives et de coûts de tokens/outils imprévisibles. De plus, l'arrêt de l'itération est souvent heuristique, conduisant soit à des réponses prématurées, soit à des boucles inutiles.
L'hétérogénéité des formats : Gérer simultanément du texte libre, des tableaux relationnels et des graphes de connaissances (KG) nécessite généralement des index, des récupérateurs et des logiques de contrôle distincts, empêchant la réutilisation des politiques et compliquant le déploiement.

2. Méthodologie : Le Framework RELOOP

RELOOP propose une architecture unifiée qui transforme la récupération en un processus itératif guidé, conscient du budget et structuré.

A. Représentation Unifiée : HSEQ (Hierarchical Sequence)

Le cœur de RELOOP est la transformation de sources hétérogènes (texte, tableaux, KG) en une séquence hiérarchique réversible (HSEQ).

Adaptation modale : Un adaptateur $\tau$ convertit chaque source en une séquence de segments typés.
Structure des segments : Chaque segment $s$ $s$ est défini par :
- $id(s)$ : Identifiant unique.
- $\ell(s)$ : Niveau de granularité (ex: paragraphe, ligne de tableau, triplet).
- $p(s)$ : Pointeur vers le parent (pour maintenir la localité hiérarchique).
- $c(s)$ : Contenu textuel compact.
- $\mu(s)$ : Métadonnées (offsets, coordonnées, schéma, temps).
Avantage : Cette représentation permet de naviguer uniformément à travers différents formats sans inspecter les fichiers bruts, tout en préservant la provenance et la structure.

B. Agents et Itération Guidée

Le système repose sur trois modules principaux :

HSEQ-Adapter (HSEQ-A) : Linéarise les données hétérogènes en HSEQ.
RELOOP-Iterator (RELOOP-I) : C'est un agent (basé sur un LLM) qui sélectionne et étend les segments de manière itérative.
- Politique d'itération : À chaque étape, l'agent sélectionne un petit nombre de segments prometteurs (top-k) dans une fenêtre glissante et décide s'il faut étendre la recherche (ex: passer d'un paragraphe à ses phrases, ou d'une cellule de tableau à sa ligne complète).
- Signal de suffisance : L'agent prédit à chaque étape si l'ensemble de preuves accumulé est suffisant pour répondre à la question (arrêt précoce).
- Guidage ( $g$ ) : Un plan concis, généré par le Head Agent ou des modèles heuristiques, oriente l'exploration (ex: "chercher d'abord les entités", "vérifier les relations").
RELOOP-Head (RELOOP-H) :
- Génère le plan de guidage initial.
- Synthétise la réponse finale à partir d'un package de preuves canonisé (compact et préservant la provenance).
- Inclut un vérificateur optionnel pour détecter les contradictions et déclencher une boucle de raffinement si nécessaire.

C. Boucle de Contrôle et Budget

L'itération est strictement contrôlée par un budget (tokens, appels d'outils, latence). L'algorithme s'arrête dès que le signal de suffisance est positif ou que le budget est épuisé, évitant ainsi les boucles infinies typiques des agents autonomes.

3. Contributions Clés

Parsing Structuré Réversible et Agnostique du Format : Une représentation HSEQ qui standardise texte, tableaux et KG, permettant à une seule politique d'apprentissage de fonctionner sur tous les formats sans spécialisation par jeu de données.
Itération Guidée et Consciente du Budget : Une politique d'apprentissage avec un signal de suffisance explicite qui concentre le calcul sur les preuves réellement inspectées, offrant une latence prévisible et réduisant les appels d'outils inutiles.
Preuves Canonisées pour une QA Fiable : Un package de preuves compact et traçable qui améliore la cohérence des réponses et l'auditabilité, avec un mécanisme de raffinement basé sur la détection de contradictions.

4. Résultats Expérimentaux

Les expériences ont été menées sur plusieurs benchmarks couvrant différents modes de données :

Benchmarks : HotpotQA (texte), TAT-QA et HybridQA (tableaux + texte), MetaQA (Graphes de connaissances).
Comparaison : RELOOP a été comparé à des modèles LLM seuls, à des méthodes RAG classiques (single-pass) et à des systèmes multi-agents avancés (comme ToG, GraphRAG, AdaptiveRAG).

Performance :

Qualité de réponse : RELOOP obtient des gains constants en Exact Match (EM) et F1 par rapport aux meilleures lignes de base sur tous les benchmarks. Par exemple, sur MetaQA-2hop, il atteint 95.9% de précision (contre 88.2% pour le meilleur concurrent).
Efficacité : Contrairement aux méthodes de raisonnement sur graphe (ToG) qui effectuent de nombreuses étapes d'expansion (11-17 étapes) et souffrent d'une latence élevée (>22 000 ms), RELOOP maintient des boucles courtes (3-5 étapes) avec une latence réduite de plus de 50% tout en conservant une capacité de raisonnement multi-sauts.
Ablation : Les études montrent que la structure unifiée (HSEQ) est la source principale de robustesse, et que l'ajout de guidage (même heuristique) améliore significativement la précision.

5. Signification et Impact

RELOOP représente une avancée significative dans le domaine de la RAG hétérogène en résolvant le compromis traditionnel entre précision et coût/latence.

Unification : Il démontre qu'il est possible de traiter des données textuelles, tabulaires et graphiques avec un seul agent et une seule interface, simplifiant considérablement le déploiement.
Contrôle : En introduisant un signal de suffisance explicite et une itération guidée, il rend les systèmes de RAG multi-agents plus fiables, prévisibles et économiques en ressources.
Auditabilité : La capacité à retracer chaque réponse jusqu'à des segments de preuves spécifiques (provenance) renforce la confiance dans les systèmes d'IA générative, un aspect crucial pour les applications professionnelles.

En résumé, RELOOP propose un cadre robuste pour transformer la récupération d'information en un processus de recherche intelligent, structuré et économe, capable de gérer la complexité des questions multi-étapes sur des données hétérogènes.