論文の概要: TOBUGraph: Knowledge Graph-Based Retrieval for Enhanced LLM Performance Beyond RAG

• arxiv url: http://arxiv.org/abs/2412.05447v2
• Date: Tue, 01 Apr 2025 14:03:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-02 14:13:48.896665
• Title: TOBUGraph: Knowledge Graph-Based Retrieval for Enhanced LLM Performance Beyond RAG
• Title（参考訳）: TOBUGraph: RAGを越えたLLMパフォーマンス向上のための知識グラフベースの検索
• Authors: Savini Kashmira, Jayanaka L. Dantanarayana, Joshua Brodsky, Ashish Mahendra, Yiping Kang, Krisztian Flautner, Lingjia Tang, Jason Mars,
• Abstract要約: TOBUGraphは、構造化されていないデータから知識グラフを構築するグラフベースの検索フレームワークである。 構造化された知識とデータ間の多様な関係を抽出し、RAGのテキストとテキストの類似性を超えた。 ToBUGraphの有効性を実証する。TOBUは、個人記憶の組織化と検索のための実世界のアプリケーションである。
• 参考スコア（独自算出の注目度）: 3.8704987495086542
• License:
• Abstract: Retrieval-Augmented Generation (RAG) is one of the leading and most widely used techniques for enhancing LLM retrieval capabilities, but it still faces significant limitations in commercial use cases. RAG primarily relies on the query-chunk text-to-text similarity in the embedding space for retrieval and can fail to capture deeper semantic relationships across chunks, is highly sensitive to chunking strategies, and is prone to hallucinations. To address these challenges, we propose TOBUGraph, a graph-based retrieval framework that first constructs the knowledge graph from unstructured data dynamically and automatically. Using LLMs, TOBUGraph extracts structured knowledge and diverse relationships among data, going beyond RAG's text-to-text similarity. Retrieval is achieved through graph traversal, leveraging the extracted relationships and structures to enhance retrieval accuracy, eliminating the need for chunking configurations while reducing hallucination. We demonstrate TOBUGraph's effectiveness in TOBU, a real-world application in production for personal memory organization and retrieval. Our evaluation using real user data demonstrates that TOBUGraph outperforms multiple RAG implementations in both precision and recall, significantly improving user experience through improved retrieval accuracy.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、LLM検索能力を高めるための最も先進的で広く使われている手法の1つであるが、商業的ユースケースでは大きな制限に直面している。 RAGは主に、検索の埋め込み空間におけるクエリチャンクのテキストとテキストの類似性に依存しており、チャンク間の深いセマンティックな関係を捉えず、チャンク戦略に非常に敏感であり、幻覚を起こす傾向がある。 これらの課題に対処するために,非構造化データから知識グラフを動的かつ自動的に構築するグラフベースの検索フレームワークTOBUGraphを提案する。 LLMを使って、TOBUGraphは構造化された知識とデータ間の多様な関係を抽出し、RAGのテキストとテキストの類似性を超えた。 検索はグラフトラバーサルによって達成され、抽出された関係や構造を利用して精度を高め、幻覚を低減しつつチャンキング構成を不要にする。 ToBUGraphの有効性を実証する。TOBUは個人記憶の組織化と検索のための実世界のアプリケーションである。 実際のユーザデータを用いた評価では,TOBUGraphは精度とリコールの両方で複数のRAG実装より優れており,検索精度の向上によりユーザエクスペリエンスが大幅に向上することが示された。

関連論文リスト

• From RAG to Memory: Non-Parametric Continual Learning for Large Language Models [6.380729797938521]
  検索強化世代(RAG)は、新しい情報を導入する主要な方法となっている。 最近のRAGは、知識グラフのような様々な構造を持つベクトル埋め込みを拡大して、いくつかのギャップ、すなわちセンスメイキングと連想性に対処している。 我々は,現実的,感覚的,連想的なメモリタスクにおいて,標準RAGを総合的に上回るフレームワークであるHippoRAG 2を提案する。
  論文  参考訳（メタデータ） (2025-02-20T18:26:02Z)
• Personalized Graph-Based Retrieval for Large Language Models [51.7278897841697]
  ユーザ中心の知識グラフを利用してパーソナライゼーションを強化するフレームワークを提案する。 構造化されたユーザ知識を直接検索プロセスに統合し、ユーザ関連コンテキストにプロンプトを拡大することにより、PGraphはコンテキスト理解と出力品質を向上させる。 また,ユーザ履歴が不足あるいは利用できない実環境において,パーソナライズされたテキスト生成タスクを評価するために設計された,パーソナライズドグラフベースのテキスト生成ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-01-04T01:46:49Z)
• Graph Memory Learning: Imitating Lifelong Remembering and Forgetting of Brain Networks [31.554027786868815]
  本稿では,BGML(Brain-inspired Graph Memory Learning)というグラフメモリ学習の新たな概念を紹介する。 BGMLは、記憶と忘れの潜在的な衝突を軽減するために、特徴グラフの粒度学習に根ざした多階層的階層的漸進学習機構を組み込んでいる。 さらに,新たに追加されるインクリメンタル情報における信頼できない構造の問題に対処するために,情報自己評価のオーナシップ機構を提案する。
  論文  参考訳（メタデータ） (2024-07-27T05:50:54Z)
• AriGraph: Learning Knowledge Graph World Models with Episodic Memory for LLM Agents [19.249596397679856]
  AriGraphは、環境を探索しながら意味記憶とエピソード記憶を統合するメモリグラフである。 我々は,Ariadne LLMエージェントが対話型テキストゲーム環境における複雑なタスクを,人間プレイヤーでも効果的に処理できることを実証した。
  論文  参考訳（メタデータ） (2024-07-05T09:06:47Z)
• Retrieval-Enhanced Contrastive Vision-Text Models [61.783728119255365]
  そこで本研究では,メモリから取得したクロスモーダルな情報を推論時に表現することで,その埋め込みを洗練できる視覚テキストモデルを提案する。 注目すべきことに、これは凍ったCLIPの上に軽量の単層核融合トランスを用いて行うことができる。 検索強化コントラスト訓練(RECO)がCLIPの性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-12T15:52:02Z)
• Improving Image Recognition by Retrieving from Web-Scale Image-Text Data [68.63453336523318]
  本稿では,メモリから抽出した各サンプルの重要性を学習するアテンションベースのメモリモジュールを提案する。 既存の手法と比較して,提案手法は無関係な検索例の影響を排除し,入力クエリに有益であるものを保持する。 我々は、ImageNet-LT、Places-LT、Webvisionのデータセットで最先端の精度を実現していることを示す。
  論文  参考訳（メタデータ） (2023-04-11T12:12:05Z)
• Relational Memory Augmented Language Models [40.626389607433936]
  本稿では,知識グラフ上に自己回帰言語モデルを記述するためのメモリ拡張手法を提案する。 提案手法は,文字単位のパープレキシティとビットの点で,より優れた言語モデルを生成する。
  論文  参考訳（メタデータ） (2022-01-24T13:25:41Z)
• Video Object Segmentation with Episodic Graph Memory Networks [198.74780033475724]
  セグメント化モデルを更新する学習」という新しいアイデアに対処するために,グラフメモリネットワークが開発された。 我々は、完全に連結されたグラフとして構成されたエピソードメモリネットワークを利用して、フレームをノードとして保存し、エッジによってフレーム間の相関をキャプチャする。 提案したグラフメモリネットワークは、一発とゼロショットの両方のビデオオブジェクトセグメンテーションタスクをうまく一般化できる、巧妙だが原則化されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-07-14T13:19:19Z)
• User Memory Reasoning for Conversational Recommendation [68.34475157544246]
  本研究では,ユーザの過去の(オフライン)好みと現在の(オンライン)要求を動的に管理する対話レコメンデーションモデルについて検討する。 MGConvRexはユーザメモリ上の人間レベルの推論をキャプチャし、推奨のためにゼロショット(コールドスタート)推論のためにユーザのトレーニング/テストセットを分離する。
  論文  参考訳（メタデータ） (2020-05-30T05:29:23Z)
• PeTra: A Sparsely Supervised Memory Model for People Tracking [50.98911178059019]
  メモリスロット内のエンティティを追跡するように設計されたメモリ拡張ニューラルネットワークであるPeTraを提案する。 我々は、重要なモデリング選択を経験的に比較し、強い性能を維持しながら、メモリモジュールの設計のいくつかの側面を単純化できることを見出した。 PeTraは両方の評価に非常に効果的で、限られたアノテーションで訓練されているにもかかわらず、メモリ内の人々を追跡できる能力を示している。
  論文  参考訳（メタデータ） (2020-05-06T17:45:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。