本論文は、複雑な問題解決のために大規模言語モデル（LLM）の自律的意思決定能力を活用する新しいRAG（Retrieval-Augmented Generation）方式であるAirRAGを提案します。 AirRAGは、Monte Carlo Tree Search（MCTS）を使用して戦略的計画と効率的な推論行為を統合することで、既存のRAGの単一解決空間制約を克服し、さまざまな解決策を探索します。 5つの基本的な推論行為を設計し、MCTSを介してそれを拡張してツリーベースの推論空間を作成し、自己整合性検証と推論スケーリング法則を統合して潜在的な推論経路を探索し、計算的に最適な戦略を使用して主な行為に多くの推論リソースを割り当てます。実験の結果、AirRAGは複雑なクエリ応答データセットでパフォーマンスを向上させ、他の高度な技術やモデルとの統合も容易です。
