論文の概要: RAG vs. GraphRAG: A Systematic Evaluation and Key Insights
- arxiv url: http://arxiv.org/abs/2502.11371v1
- Date: Mon, 17 Feb 2025 02:36:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 20:34:45.032025
- Title: RAG vs. GraphRAG: A Systematic Evaluation and Key Insights
- Title（参考訳）: RAG vs. GraphRAG: システム評価とキーポイント
- Authors: Haoyu Han, Harry Shomer, Yu Wang, Yongjia Lei, Kai Guo, Zhigang Hua, Bo Long, Hui Liu, Jiliang Tang,
- Abstract要約: 我々は,テキストベースベンチマークを用いて,検索型拡張生成(RAG)とグラフRAGを体系的に評価する。
本結果は,RAGとGraphRAGの異なる課題と評価の観点から,それぞれ異なる強みを浮き彫りにしている。
- 参考スコア（独自算出の注目度）: 42.31801859160484
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retrieval-Augmented Generation (RAG) enhances the performance of LLMs across various tasks by retrieving relevant information from external sources, particularly on text-based data. For structured data, such as knowledge graphs, GraphRAG has been widely used to retrieve relevant information. However, recent studies have revealed that structuring implicit knowledge from text into graphs can benefit certain tasks, extending the application of GraphRAG from graph data to general text-based data. Despite their successful extensions, most applications of GraphRAG for text data have been designed for specific tasks and datasets, lacking a systematic evaluation and comparison between RAG and GraphRAG on widely used text-based benchmarks. In this paper, we systematically evaluate RAG and GraphRAG on well-established benchmark tasks, such as Question Answering and Query-based Summarization. Our results highlight the distinct strengths of RAG and GraphRAG across different tasks and evaluation perspectives. Inspired by these observations, we investigate strategies to integrate their strengths to improve downstream tasks. Additionally, we provide an in-depth discussion of the shortcomings of current GraphRAG approaches and outline directions for future research.
- Abstract（参考訳）: Retrieval-Augmented Generation (RAG)は、特にテキストベースのデータにおいて、外部ソースから関連する情報を取得することにより、様々なタスクにわたるLLMの性能を向上させる。
知識グラフのような構造化データに対して、GraphRAGは関連する情報を取得するために広く利用されている。
しかし、最近の研究では、テキストからグラフへの暗黙的な知識の構造化は、グラフデータから一般的なテキストベースのデータへのグラフRAGの適用を拡大することで、特定のタスクに利益をもたらすことが示されている。
拡張が成功したにもかかわらず、テキストデータに対するGraphRAGのほとんどのアプリケーションは、特定のタスクやデータセットのために設計されており、広く使用されているテキストベースのベンチマークでRAGとGraphRAGの体系的な評価と比較を欠いている。
本稿では,質問応答や問合せに基づく要約など,確立されたベンチマークタスクに基づいてRAGとGraphRAGを体系的に評価する。
本結果は,RAGとGraphRAGの異なる課題と評価の観点から,それぞれ異なる強みを浮き彫りにしている。
これらの観測に触発されて、下流タスクを改善するために、それらの強みを統合する戦略について検討する。
さらに、現在のGraphRAGアプローチの欠点について詳細な議論を行い、今後の研究の方向性について概説する。
関連論文リスト
- RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。
RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。
評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
論文 参考訳（メタデータ） (2025-03-25T03:21:48Z) - Empowering GraphRAG with Knowledge Filtering and Integration [33.174985984667636]
グラフ検索強化生成(GraphRAG)は、外部グラフから構造化知識を統合することにより、大規模言語モデルの推論を強化する。
筆者らは,1)ノイズや無関係な情報を取得することは,性能を低下させる可能性があり,(2)外部知識への過剰依存は本質的な推論を抑制する。
本稿では,GraphRAG-Filtering と GraphRAG-Integration を組み合わせた GraphRAG-FI (Filtering and Integration) を提案する。
論文 参考訳（メタデータ） (2025-03-18T01:29:55Z) - FG-RAG: Enhancing Query-Focused Summarization with Context-Aware Fine-Grained Graph RAG [12.854423869114292]
Query-Focused Summarization (QFS)タスクでは、GraphRAGベースのアプローチにより、生成された応答の包括性と多様性が著しく向上した。
既存のGraphRAGベースのアプローチでは、特定のクエリを意識せずに、粗い情報要約に重点を置いている。
本稿では,QFSタスクの性能を高めるために,コンテキスト対応ファイングラインドグラフRAG(FG-RAG)を提案する。
論文 参考訳（メタデータ） (2025-03-13T17:42:07Z) - G-OSR: A Comprehensive Benchmark for Graph Open-Set Recognition [54.45837774534411]
ノードレベルとグラフレベルの両方でグラフオープンセット認識(GOSR)手法を評価するベンチマークである textbfG-OSR を導入する。
結果は、現在のGOSR手法の一般化可能性と限界に関する重要な洞察を与える。
論文 参考訳（メタデータ） (2025-03-01T13:02:47Z) - Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。
このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。
また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文 参考訳（メタデータ） (2025-01-01T08:48:53Z) - 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) - LEGO-GraphRAG: Modularizing Graph-based Retrieval-Augmented Generation for Design Space Exploration [17.514586423233872]
LEGO-GraphRAGは,GraphRAGワークフローのきめ細かい分解を可能にするモジュール型フレームワークである。
本フレームワークは,大規模実世界のグラフと多様なクエリセット上でのグラフRAGの総合的研究を促進する。
論文 参考訳（メタデータ） (2024-11-06T15:32:28Z) - 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) - G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。
一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。
G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
論文 参考訳（メタデータ） (2024-02-12T13:13:04Z) - Graph Learning based Recommender Systems: A Review [111.43249652335555]
グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。
本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
論文 参考訳（メタデータ） (2021-05-13T14:50:45Z)
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。