論文の概要: A Pilot Empirical Study on When and How to Use Knowledge Graphs as Retrieval Augmented Generation

• arxiv url: http://arxiv.org/abs/2502.20854v1
• Date: Fri, 28 Feb 2025 08:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:43:55.967088
• Title: A Pilot Empirical Study on When and How to Use Knowledge Graphs as Retrieval Augmented Generation
• Title（参考訳）: 検索学習における知識グラフの活用方法に関する実証的研究
• Authors: Xujie Yuan, Yongxu Liu, Shimin Di, Shiwen Wu, Libin Zheng, Rui Meng, Xiaofang Zhou, Lei Chen, Jian Yin,
• Abstract要約: 本稿は,KG-RAGをいつ,どのように使用するかという質問に対して,体系的に回答する基盤を定めている。 我々は,KG-RAG手法を7つのデータセットにまたがる6つのKG-RAG手法を,多様なシナリオで再実装し,評価するために,KG-RAGの試験的研究を行った。 本結果は,KG-RAGコンポーネントの適切な適用条件と最適構成の重要な役割を裏付けるものである。
• 参考スコア（独自算出の注目度）: 28.099850239183635
• License:
• Abstract: The integration of Knowledge Graphs (KGs) into the Retrieval Augmented Generation (RAG) framework has attracted significant interest, with early studies showing promise in mitigating hallucinations and improving model accuracy. However, a systematic understanding and comparative analysis of the rapidly emerging KG-RAG methods are still lacking. This paper seeks to lay the foundation for systematically answering the question of when and how to use KG-RAG by analyzing their performance in various application scenarios associated with different technical configurations. After outlining the mind map using KG-RAG framework and summarizing its popular pipeline, we conduct a pilot empirical study of KG-RAG works to reimplement and evaluate 6 KG-RAG methods across 7 datasets in diverse scenarios, analyzing the impact of 9 KG-RAG configurations in combination with 17 LLMs. Our results underscore the critical role of appropriate application conditions and optimal configurations of KG-RAG components.
• Abstract（参考訳）: 知識グラフ(KG)を検索拡張生成(RAG)フレームワークに統合することは、幻覚の緩和とモデル精度の向上に有望であることを示す初期の研究とともに、大きな関心を集めている。 しかし、急激なKG-RAG法の体系的理解と比較分析はいまだに欠如している。 そこで本研究では,KG-RAGの性能を異なる技術構成に関連付けられた様々なアプリケーションシナリオで解析することにより,KG-RAGをいつ,どのように使用するかという問題に対して,体系的に答える基盤を構築することを目的とする。 KG-RAGフレームワークを用いたマインドマップの概要と人気のパイプラインを要約した後、KG-RAGのパイロット実験を行い、7つのデータセットにまたがる6つのKG-RAGメソッドの再実装と評価を行い、17のLLMと組み合わせて9つのKG-RAG構成の影響を分析した。 本結果は,KG-RAGコンポーネントの適切な適用条件と最適構成の重要な役割を裏付けるものである。

関連論文リスト

• Knowledge Graph-Guided Retrieval Augmented Generation [34.83235788116369]
  本稿では,知識グラフを用いた検索検索生成フレームワークを提案する。 KG$2$RAGは、チャンク間の事実レベルの関係を提供し、得られた結果の多様性と一貫性を改善する。
  論文  参考訳（メタデータ） (2025-02-08T02:14:31Z)
• GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation [84.41557981816077]
  本稿では,新しいグラフ基盤モデル (GFM) である GFM-RAG について紹介する。 GFM-RAGは、複雑なクエリ-知識関係をキャプチャするグラフ構造を理由とする、革新的なグラフニューラルネットワークによって実現されている。 効率とニューラルスケーリング法則との整合性を維持しつつ、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-03T07:04:29Z)
• Chain-of-Retrieval Augmented Generation [72.06205327186069]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• Distill-SynthKG: Distilling Knowledge Graph Synthesis Workflow for Improved Coverage and Efficiency [59.6772484292295]
  大規模言語モデル(LLM)によって生成される知識グラフ(KG)は、検索・拡張生成(RAG)アプリケーションにとってますます価値が増している。 既存のKG抽出法は、大規模コーパスの処理に非効率なプロンプトベースのアプローチに依存している。 LLMに基づく多段階文書レベルのKGワークフローであるSynthKGを提案する。 我々はまた、RAGのための新しいグラフベースの検索フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-10-22T00:47:54Z)
• CommunityKG-RAG: Leveraging Community Structures in Knowledge Graphs for Advanced Retrieval-Augmented Generation in Fact-Checking [7.835264728977939]
  本稿では,コミュニティKG-RAG(Community Knowledge Graph-Retrieval Augmented Generation)について紹介する。 実験の結果、CommunityKG-RAGは、堅牢でスケーラブルで効率的なソリューションを提供することで、ファクトチェックの大幅な進歩を示す従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-16T05:15:12Z)
• PRAGyan -- Connecting the Dots in Tweets [0.0]
  本研究では、ツイートデータセットの因果解析を行うために、知識グラフ(KG)とLarge Language Models(LLM)の統合について検討する。 我々は、Neo4j(PRAGyan)データフォーマットに格納されたKGを利用して、因果推論に関連するコンテキストを検索する。
  論文  参考訳（メタデータ） (2024-07-18T21:49:32Z)
• KG-FIT: Knowledge Graph Fine-Tuning Upon Open-World Knowledge [63.19837262782962]
  知識グラフ埋め込み(KGE)技術は、知識グラフ内の実体と関係のコンパクトな表現を学習するために重要である。 本研究では、エンティティクラスタのセマンティックコヒーレントな階層構造を構築するKG-FITを紹介する。 ベンチマークデータセットFB15K-237、YAGO3-10、PrimeKGの実験は、最先端の訓練済み言語モデルに基づく手法よりもKG-FITの方が優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-26T03:04:26Z)
• Bring Your Own KG: Self-Supervised Program Synthesis for Zero-Shot KGQA [16.248395545151745]
  BYOKGは、あらゆる知識グラフ(KG)で操作できる普遍的な質問応答システムである。 ByOKGは、見知らぬKGに存在する情報を探索を通して理解する人間の驚くべき能力からインスピレーションを得ている。
  論文  参考訳（メタデータ） (2023-11-14T02:05:29Z)
• KG-GPT: A General Framework for Reasoning on Knowledge Graphs Using Large Language Models [18.20425100517317]
  本稿では,知識グラフを用いたタスクに対して,大規模言語モデルを活用するフレームワークであるKG-GPTを提案する。 KG-GPTは文の分割、関連するグラフコンポーネントの検索、論理的結論の導出という3つのステップから構成される。 KGベースの事実検証とKGQAベンチマークを用いてKG-GPTを評価する。
  論文  参考訳（メタデータ） (2023-10-17T12:51:35Z)
• Reasoning over Multi-view Knowledge Graphs [59.99051368907095]
  ROMAは、マルチビューKG上で論理クエリに応答する新しいフレームワークである。 大規模(数百万の事実など)のKGや粒度の細かいビューまでスケールする。 トレーニング中に観測されていない構造やKGビューのクエリを一般化する。
  論文  参考訳（メタデータ） (2022-09-27T21:32:20Z)
• DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
  我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。 そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。 実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-26T16:19:59Z)

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。