論文の概要: A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models

• arxiv url: http://arxiv.org/abs/2501.13958v1
• Date: Tue, 21 Jan 2025 06:25:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:58:39.835823
• Title: A Survey of Graph Retrieval-Augmented Generation for Customized Large Language Models
• Title（参考訳）: カスタマイズされた大規模言語モデルのためのグラフ検索拡張生成の検討
• Authors: Qinggang Zhang, Shengyuan Chen, Yuanchen Bei, Zheng Yuan, Huachi Zhou, Zijin Hong, Junnan Dong, Hao Chen, Yi Chang, Xiao Huang,
• Abstract要約: Retrieval-augmented Generation (RAG)は、大規模言語モデル(LLM)をカスタマイズするための有望なソリューションとして登場した。 本調査は,GraphRAG(Graph-based Retrieval-Augmented Generation)の系統的解析である。
• 参考スコア（独自算出の注目度）: 15.190033208947051
• License:
• Abstract: Large language models (LLMs) have demonstrated remarkable capabilities in a wide range of tasks, yet their application to specialized domains remains challenging due to the need for deep expertise. Retrieval-augmented generation (RAG) has emerged as a promising solution to customize LLMs for professional fields by seamlessly integrating external knowledge bases, enabling real-time access to domain-specific expertise during inference. Despite its potential, traditional RAG systems, based on flat text retrieval, face three critical challenges: (i) complex query understanding in professional contexts, (ii) difficulties in knowledge integration across distributed sources, and (iii) system efficiency bottlenecks at scale. This survey presents a systematic analysis of Graph-based Retrieval-Augmented Generation (GraphRAG), a new paradigm that revolutionizes domain-specific LLM applications. GraphRAG addresses traditional RAG limitations through three key innovations: (i) graph-structured knowledge representation that explicitly captures entity relationships and domain hierarchies, (ii) efficient graph-based retrieval techniques that enable context-preserving knowledge retrieval with multihop reasoning ability, and (iii) structure-aware knowledge integration algorithms that leverage retrieved knowledge for accurate and logical coherent generation of LLMs. In this survey, we systematically analyze the technical foundations of GraphRAG and examine current implementations across various professional domains, identifying key technical challenges and promising research directions. All the related resources of GraphRAG, including research papers, open-source data, and projects, are collected for the community in \textcolor{blue}{\url{https://github.com/DEEP-PolyU/Awesome-GraphRAG}}.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、幅広いタスクにおいて顕著な能力を示してきたが、深い専門知識を必要とするため、専門分野への応用は難しいままである。 Retrieval-augmented Generation (RAG)は、外部知識ベースをシームレスに統合し、推論中にドメイン固有の専門知識へのリアルタイムアクセスを可能にすることにより、プロフェッショナルフィールド用のLLMをカスタマイズするための有望なソリューションとして登場した。 その可能性にもかかわらず、フラットテキスト検索に基づく従来のRAGシステムは、3つの重要な課題に直面している。 (i)専門的な文脈における複雑なクエリ理解 (二)分散ソース間の知識統合の難しさ、 三 システム効率のボトルネックを大規模に行うこと。 本調査では,ドメイン固有のLLMアプリケーションに革命をもたらす新しいパラダイムであるGraphRAG(Retrieval-Augmented Generation)を,グラフベースで体系的に分析する。 GraphRAGは,3つの重要なイノベーションを通じて,従来のRAG制限に対処する。 (i)エンティティ関係とドメイン階層を明確にキャプチャするグラフ構造化知識表現。 (II)マルチホップ推論機能付き文脈保存知識検索を可能にする効率的なグラフベース検索技術、及び 3)LLMの正確かつ論理的コヒーレントな生成のための検索知識を活用する構造認識知識統合アルゴリズム。 本研究では,GraphRAGの技術的基盤を体系的に分析し,様々な専門分野にまたがる実装について検討し,重要な技術的課題を特定し,研究の方向性を期待する。 GraphRAGの関連リソース(研究論文、オープンソースデータ、プロジェクトなど)はすべて、コミュニティのために、textcolor{blue}{\url{https://github.com/DEEP-PolyU/Awesome-GraphRAG}}で収集されている。

関連論文リスト

• Graph Foundation Models for Recommendation: A Comprehensive Survey [55.70529188101446]
  大規模言語モデル(LLM)は自然言語を処理し、理解するために設計されており、どちらも非常に効果的で広く採用されている。 最近の研究はグラフ基礎モデル(GFM)に焦点を当てている。 GFM は GNN と LLM の強みを統合し,複雑な RS 問題をより効率的にモデル化する。
  論文  参考訳（メタデータ） (2025-02-12T12:13:51Z)
• Retrieval-Augmented Generation with Graphs (GraphRAG) [84.29507404866257]
  Retrieval-augmented Generation (RAG) は、追加情報を取得することによって下流タスクの実行を向上させる強力な技術である。 グラフは、その固有の「エッジで接続されたノード」の性質により、巨大な異種情報と関係情報を符号化する。 従来のRAGとは異なり、多種多様な形式とドメイン固有の関係知識のようなグラフ構造化データのユニークさは、異なるドメインでGraphRAGを設計する際、ユニークで重要な課題を生じさせる。
  論文  参考訳（メタデータ） (2024-12-31T06:59:35Z)
• Graph Learning in the Era of LLMs: A Survey from the Perspective of Data, Models, and Tasks [25.720233631885726]
  グラフニューラルネットワーク(GNN)とLarge Language Models(LLM)の統合は、有望な技術パラダイムとして現れている。 データ品質を根本的に向上させるために、リッチなセマンティックコンテキストを持つグラフ記述テキストを活用します。 この研究は、グラフ学習方法論の進歩を目指す研究者や実践者にとって、基礎的な参考となる。
  論文  参考訳（メタデータ） (2024-12-17T01:41:17Z)
• GraphAide: Advanced Graph-Assisted Query and Reasoning System [0.04999814847776096]
  多様なソースから知識グラフ(KG)を構築し,結果のKGに対してクエリと推論を行う,高度なクエリと推論システムであるGraphAideを導入する。 GraphAideはLarge Language Models(LLM)を利用して、ドメイン固有のデジタルアシスタントを迅速に開発する。
  論文  参考訳（メタデータ） (2024-10-29T07:25:30Z)
• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• Graph Retrieval-Augmented Generation: A Survey [28.979898837538958]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の課題に再トレーニングを必要とせずに対処することに成功した。 本稿では,GraphRAGの方法論について概観する。 Graph-Based Indexing、Graph-Guided Retrieval、Graph-Enhanced Generationを含むGraphRAGワークフローを形式化する。
  論文  参考訳（メタデータ） (2024-08-15T12:20:24Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• Context Matters: Pushing the Boundaries of Open-Ended Answer Generation with Graph-Structured Knowledge Context [4.1229332722825]
  本稿では,知識グラフに基づく拡張と合わせて,グラフ駆動型コンテキスト検索を組み合わせた新しいフレームワークを提案する。 我々は,様々なパラメータサイズを持つ大規模言語モデル(LLM)の実験を行い,知識の基盤化能力を評価し,オープンな質問に対する回答の事実的正確性を決定する。 われわれの方法であるGraphContextGenは、テキストベースの検索システムよりも一貫して優れており、その堅牢性と多くのユースケースへの適応性を実証している。
  論文  参考訳（メタデータ） (2024-01-23T11:25:34Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction [104.29108668347727]
  本稿では,最新の生成型大規模言語モデルの可能性を活用する,革新的な知識グラフ生成手法を提案する。 このアプローチは、新しい反復的なゼロショットと外部知識に依存しない戦略を含むパイプラインで伝達される。 我々は、我々の提案がスケーラブルで多目的な知識グラフ構築に適したソリューションであり、異なる新しい文脈に適用できると主張している。
  論文  参考訳（メタデータ） (2023-07-03T16:01:45Z)

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。