論文の概要: Graph-Based Re-ranking: Emerging Techniques, Limitations, and Opportunities

• arxiv url: http://arxiv.org/abs/2503.14802v1
• Date: Wed, 19 Mar 2025 00:28:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:21:36.106065
• Title: Graph-Based Re-ranking: Emerging Techniques, Limitations, and Opportunities
• Title（参考訳）: グラフベースのリグレード:新興技術、限界、機会
• Authors: Md Shahir Zaoad, Niamat Zawad, Priyanka Ranade, Richard Krogman, Latifur Khan, James Holt,
• Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ学習において、再ランク付けのための習熟度を示すために提案されている。 トレーニングと評価のための入力グラフ構造をモデル化し、評価する上で、継続的な制限がある。
• 参考スコア（独自算出の注目度）: 14.132502540570403
• License:
• Abstract: Knowledge graphs have emerged to be promising datastore candidates for context augmentation during Retrieval Augmented Generation (RAG). As a result, techniques in graph representation learning have been simultaneously explored alongside principal neural information retrieval approaches, such as two-phased retrieval, also known as re-ranking. While Graph Neural Networks (GNNs) have been proposed to demonstrate proficiency in graph learning for re-ranking, there are ongoing limitations in modeling and evaluating input graph structures for training and evaluation for passage and document ranking tasks. In this survey, we review emerging GNN-based ranking model architectures along with their corresponding graph representation construction methodologies. We conclude by providing recommendations on future research based on community-wide challenges and opportunities.
• Abstract（参考訳）: Retrieval Augmented Generation (RAG)の間に、知識グラフがコンテキスト拡張のための有望なデータストア候補として現れている。 その結果、グラフ表現学習の手法は、二相検索(再ランク付けとも呼ばれる)のような主要なニューラル情報検索手法と共に同時に研究されている。 グラフニューラルネットワーク (GNN) はグラフ学習の習熟度を再現するために提案されているが, 入力グラフ構造をモデリングし, 評価し, 通過および文書ランキングタスクの訓練と評価を行っている。 本稿では,GNNをベースとした新たなランキングモデルアーキテクチャと,それに対応するグラフ表現構築手法について概説する。 コミュニティ全体の課題と機会に基づく今後の研究に関する勧告を提供することで締めくくります。

関連論文リスト

• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• Deep learning for dynamic graphs: models and benchmarks [16.851689741256912]
  近年,Deep Graph Networks (DGNs) の研究が進展し,グラフ上の学習領域が成熟した。 この研究分野の成長にもかかわらず、まだ解決されていない重要な課題がまだ残っている。
  論文  参考訳（メタデータ） (2023-07-12T12:02:36Z)
• A Comprehensive Survey on Deep Graph Representation Learning [26.24869157855632]
  グラフ表現学習は、高次元スパースグラフ構造化データを低次元密度ベクトルに符号化することを目的としている。 従来の手法ではモデル能力に制限があり、学習性能に制限がある。 深層グラフ表現学習は、浅い(伝統的な)方法よりも大きな可能性と利点を示している。
  論文  参考訳（メタデータ） (2023-04-11T08:23:52Z)
• Counterfactual Learning on Graphs: A Survey [34.47646823407408]
  グラフニューラルネットワーク(GNN)は,グラフ上での表現学習において大きな成功を収めている。 グラフ上のカウンターファクトラーニングは、これらの欠点を緩和する有望な結果を示している。 グラフ上の反ファクトフェアネス、説明可能性、リンク予測など、様々な手法が提案されている。
  論文  参考訳（メタデータ） (2023-04-03T21:42:42Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。 本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。 我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
  論文  参考訳（メタデータ） (2022-06-01T09:59:09Z)
• Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
  グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。 グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
  論文  参考訳（メタデータ） (2022-04-15T04:02:06Z)
• Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
  まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。 DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
  論文  参考訳（メタデータ） (2022-02-16T18:30:33Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。