論文の概要: FG-RAG: Enhancing Query-Focused Summarization with Context-Aware Fine-Grained Graph RAG

• arxiv url: http://arxiv.org/abs/2504.07103v1
• Date: Thu, 13 Mar 2025 17:42:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 07:51:55.991983
• Title: FG-RAG: Enhancing Query-Focused Summarization with Context-Aware Fine-Grained Graph RAG
• Title（参考訳）: FG-RAG:コンテキスト対応グラフRAGによるクエリ焦点要約の強化
• Authors: Yubin Hong, Chaofan Li, Jingyi Zhang, Yingxia Shao,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.854423869114292
• License:
• Abstract: Retrieval-Augmented Generation (RAG) enables large language models to provide more precise and pertinent responses by incorporating external knowledge. In the Query-Focused Summarization (QFS) task, GraphRAG-based approaches have notably enhanced the comprehensiveness and diversity of generated responses. However, existing GraphRAG-based approaches predominantly focus on coarse-grained information summarization without being aware of the specific query, and the retrieved content lacks sufficient contextual information to generate comprehensive responses. To address the deficiencies of current RAG systems, we propose Context-Aware Fine-Grained Graph RAG (FG-RAG) to enhance the performance of the QFS task. FG-RAG employs Context-Aware Entity Expansion in graph retrieval to expand the coverage of retrieved entities in the graph, thus providing enough contextual information for the retrieved content. Furthermore, FG-RAG utilizes Query-Level Fine-Grained Summarization to incorporate fine-grained details during response generation, enhancing query awareness for the generated summarization. Our evaluation demonstrates that FG-RAG outperforms other RAG systems in multiple metrics of comprehensiveness, diversity, and empowerment when handling the QFS task. Our implementation is available at https://github.com/BuptWululu/FG-RAG.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、大規模言語モデルに対して、外部知識を取り入れることで、より正確で適切な応答を提供することを可能にする。 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。 しかし、既存のGraphRAGベースのアプローチは、特定のクエリを意識せずに、大まかな情報要約に重点を置いており、検索されたコンテンツは、包括的な応答を生成するのに十分なコンテキスト情報を持っていない。 現状のRAGシステムの欠陥に対処するため,QFSタスクの性能向上を目的としたコンテキスト認識ファイングラインドグラフRAG(FG-RAG)を提案する。 FG-RAGは、グラフ検索にContext-Aware Entity Expansionを使用し、グラフ内の検索されたエンティティのカバレッジを拡大し、検索されたコンテンツに対して十分なコンテキスト情報を提供する。 さらに、FG-RAGは、クエリレベルファイングラインド要約を利用して、応答生成中に詳細な詳細を組み込んで、生成された要約に対するクエリ認識を強化する。 評価の結果,FG-RAGはQFSタスク処理時の包括性,多様性,エンパワーメントの複数の指標において,他のRAGシステムよりも優れていた。 私たちの実装はhttps://github.com/BuptWululu/FG-RAG.comで公開されています。

関連論文リスト

• TrustRAG: An Information Assistant with Retrieval Augmented Generation [73.84864898280719]
  TrustRAGは、インデックス付け、検索、生成という3つの視点から、acRAGを強化する新しいフレームワークである。 我々はTrustRAGフレームワークをオープンソース化し、抜粋ベースの質問応答タスク用に設計されたデモスタジオを提供する。
  論文  参考訳（メタデータ） (2025-02-19T13:45:27Z)
• RAG vs. GraphRAG: A Systematic Evaluation and Key Insights [42.31801859160484]
  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。
  論文  参考訳（メタデータ） (2025-02-17T02:36:30Z)
• ArchRAG: Attributed Community-based Hierarchical Retrieval-Augmented Generation [16.204046295248546]
  Retrieval-Augmented Generation (RAG) は、外部知識を大規模言語モデルに統合するのに有効であることが証明されている。 我々は、Attributed Community-based Hierarchical RAG (ArchRAG)と呼ばれる新しいグラフベースのRAGアプローチを導入する。 属性付きコミュニティのための新しい階層型インデックス構造を構築し,効果的なオンライン検索手法を開発した。
  論文  参考訳（メタデータ） (2025-02-14T03:28:36Z)
• 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)
• 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 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)
• Bridging Information Asymmetry in Text-video Retrieval: A Data-centric Approach [56.610806615527885]
  テキストビデオ検索(TVR)における重要な課題は、ビデオとテキスト間の情報非対称性である。 本稿では,このギャップを埋めるために,テキスト表現を豊かにすることで,映像コンテンツの豊かさに合わせたデータ中心のフレームワークを提案する。 本稿では,最も関連性が高く多様なクエリを識別し,計算コストを低減し,精度を向上するクエリ選択機構を提案する。
  論文  参考訳（メタデータ） (2024-08-14T01:24:09Z)
• From Local to Global: A Graph RAG Approach to Query-Focused Summarization [4.075260785658849]
  GraphRAGは、プライベートテキストコーパスに対する質問応答のためのグラフベースのアプローチである。 我々は,GraphRAGが従来のRAGベースラインよりも大幅に改善され,生成した回答の包括性と多様性が向上することを示す。
  論文  参考訳（メタデータ） (2024-04-24T18:38:11Z)
• CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of Large Language Models [49.16989035566899]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の能力を高める技術である。 本稿では,大規模かつ包括的なベンチマークを構築し,様々なRAGアプリケーションシナリオにおけるRAGシステムのすべてのコンポーネントを評価する。
  論文  参考訳（メタデータ） (2024-01-30T14:25:32Z)
• Generation-Augmented Retrieval for Open-domain Question Answering [134.27768711201202]
  GAR(Generation-Augmented Retrieval)は、オープンドメインの質問に答える機能である。 クエリーに対して多様なコンテキストを生成することは、結果の融合が常により良い検索精度をもたらすので有益であることを示す。 GARは、抽出読取装置を備えた場合、抽出QA設定の下で、自然質問およびトリビアQAデータセットの最先端性能を達成する。
  論文  参考訳（メタデータ） (2020-09-17T23:08:01Z)

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。