Fugu-MT 論文翻訳(概要): HuixiangDou2: A Robustly Optimized GraphRAG Approach

論文の概要: HuixiangDou2: A Robustly Optimized GraphRAG Approach

arxiv url: http://arxiv.org/abs/2503.06474v1
Date: Sun, 09 Mar 2025 06:20:24 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-11 15:52:53.959686
Title: HuixiangDou2: A Robustly Optimized GraphRAG Approach
Title（参考訳）: HuixiangDou2: ロバストに最適化されたGraphRAGアプローチ
Authors: Huanjun Kong, Zhefan Wang, Chenyang Wang, Zhe Ma, Nanqing Dong,
Abstract要約: グラフベースのRetrieval-Augmented Generation (GraphRAG)は、動的検索のためのグラフとして構造化することで、この問題に対処する。堅牢に最適化されたGraphRAGフレームワークであるHixiangDou2を紹介する。具体的には、二重レベル検索の有効性を活用し、32kコンテキストでその性能を最適化する。
参考スコア（独自算出の注目度）: 11.91228019623924
License:
Abstract: Large Language Models (LLMs) perform well on familiar queries but struggle with specialized or emerging topics. Graph-based Retrieval-Augmented Generation (GraphRAG) addresses this by structuring domain knowledge as a graph for dynamic retrieval. However, existing pipelines involve complex engineering workflows, making it difficult to isolate the impact of individual components. Evaluating retrieval effectiveness is also challenging due to dataset overlap with LLM pretraining data. In this work, we introduce HuixiangDou2, a robustly optimized GraphRAG framework. Specifically, we leverage the effectiveness of dual-level retrieval and optimize its performance in a 32k context for maximum precision, and compare logic-based retrieval and dual-level retrieval to enhance overall functionality. Our implementation includes comparative experiments on a test set, where Qwen2.5-7B-Instruct initially underperformed. With our approach, the score improved significantly from 60 to 74.5, as illustrated in the Figure. Experiments on domain-specific datasets reveal that dual-level retrieval enhances fuzzy matching, while logic-form retrieval improves structured reasoning. Furthermore, we propose a multi-stage verification mechanism to improve retrieval robustness without increasing computational cost. Empirical results show significant accuracy gains over baselines, highlighting the importance of adaptive retrieval. To support research and adoption, we release HuixiangDou2 as an open-source resource https://github.com/tpoisonooo/huixiangdou2.
Abstract（参考訳）: 大規模言語モデル(LLM)は、よく知られたクエリでうまく機能するが、専門的または新興トピックと競合する。グラフベースのRetrieval-Augmented Generation (GraphRAG)は、動的検索のためのグラフとしてドメイン知識を構造化することで、この問題に対処する。しかし、既存のパイプラインには複雑なエンジニアリングワークフローが含まれており、個々のコンポーネントの影響を分離することは困難である。 LLM事前学習データとデータセットの重複により,検索効率の評価も困難である。本稿では,GraphRAGフレームワークのHixiangDou2を紹介する。具体的には,2段階検索の有効性を活用し,その性能を32kコンテキストで最大精度で最適化し,論理ベースの検索と2段階検索を比較して全体的な機能向上を図る。我々の実装にはテストセットの比較実験が含まれており、Qwen2.5-7B-Instructは当初は性能が低かった。このアプローチでは,図に示すように,スコアが60から74.5に大幅に向上した。ドメイン固有のデータセットの実験では、二重レベル検索はファジィマッチングを強化する一方、論理形式検索は構造化推論を改善する。さらに,計算コストを増大させることなく,検索堅牢性を向上させるための多段階検証機構を提案する。実験の結果, ベースラインよりも精度が向上し, 適応検索の重要性が浮き彫りになった。調査と採用をサポートするため、HixiangDou2をオープンソースリソースとしてhttps://github.com/tpoisonooo/huixiangdou2をリリースする。

関連論文リスト

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)
Simple Is Effective: The Roles of Graphs and Large Language Models in Knowledge-Graph-Based Retrieval-Augmented Generation [9.844598565914055]
大きな言語モデル(LLM)は強い推論能力を示すが、幻覚や時代遅れの知識のような制限に直面している。本稿では、サブグラフを検索する知識グラフ(KG)ベースのRetrieval-Augmented Generation(RAG)フレームワークを拡張するSubgraphRAGを紹介する。提案手法は,高効率かつフレキシブルなサブグラフ検索を実現するために,並列3重装飾機構を備えた軽量多層パーセプトロンを革新的に統合する。
論文参考訳（メタデータ） (2024-10-28T04:39:32Z)
Towards Effective Top-N Hamming Search via Bipartite Graph Contrastive Hashing [42.6340751096123]
グラフ畳み込みネットワークを用いた効率的なTop-N探索におけるハッシュ問題について検討する。両部グラフ受信フィールドの探索にハッシュ手法を取り入れた学習の有効性が示唆された。モデル性能を向上させるためにBGCH+(Bipartite Graph Contrastive Hashing)を提案する。
論文参考訳（メタデータ） (2024-08-17T16:21:32Z)
Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。 AGL-SC(Amplify Graph Learning framework)を提案する。
論文参考訳（メタデータ） (2024-06-27T08:26:20Z)
Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文参考訳（メタデータ） (2024-05-28T11:30:19Z)
Contrastive Transformer Learning with Proximity Data Generation for Text-Based Person Search [60.626459715780605]
記述的なテキストクエリーを与えられたテキストベースの人物検索は、画像ギャラリーからベストマッチした人物を検索することを目的としている。このようなクロスモーダル検索タスクは、重要なモダリティギャップ、きめ細かい相違、注釈付きデータの不十分さのため、かなり難しい。本稿では,テキストに基づく人物検索のための2つのトランスフォーマーモデルを提案する。
論文参考訳（メタデータ） (2023-11-15T16:26:49Z)
Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。これらのグラフモデルと従来の協調フィルタリングモデルを比較する。ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文参考訳（メタデータ） (2023-08-01T09:31:44Z)
GFlowCausal: Generative Flow Networks for Causal Discovery [27.51595081346858]
本稿では,GFlowCausalと呼ばれる観測データからDAG(Directed Acyclic Graph)を学習するための新しい手法を提案する。 GFlowCausalは、事前定義された報酬に比例した確率を持つシーケンシャルアクションによって、ハイリワードDAGを生成するための最良のポリシーを学ぶことを目的としている。合成データセットと実データセットの両方について広範な実験を行い、提案手法が優れていることを示すとともに、大規模環境での良好な性能を示す。
論文参考訳（メタデータ） (2022-10-15T04:07:39Z)
Comparative Code Structure Analysis using Deep Learning for Performance Prediction [18.226950022938954]
本稿では,アプリケーションの静的情報(抽象構文木やASTなど)を用いてコード構造の変化に基づいて性能変化を予測することの実現可能性を評価することを目的とする。組込み学習手法の評価により,木系長短メモリ(LSTM)モデルでは,ソースコードの階層構造を利用して遅延表現を発見し,最大84%(個人的問題)と73%(複数の問題を含む組み合わせデータセット)の精度で性能変化を予測できることが示された。
論文参考訳（メタデータ） (2021-02-12T16:59:12Z)
Deep Reinforcement Learning of Graph Matching [63.469961545293756]
ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
論文参考訳（メタデータ） (2020-12-16T13:48:48Z)

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。