論文の概要: KAQG: A Knowledge-Graph-Enhanced RAG for Difficulty-Controlled Question Generation

• arxiv url: http://arxiv.org/abs/2505.07618v1
• Date: Mon, 12 May 2025 14:42:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.437355
• Title: KAQG: A Knowledge-Graph-Enhanced RAG for Difficulty-Controlled Question Generation
• Title（参考訳）: KAQG:難解な質問生成のための知識グラフ強化RAG
• Authors: Ching Han Chen, Ming Fang Shiu,
• Abstract要約: KAQGがRetrieval-Augmented Generation(RAG)に決定的なブレークスルーを導入 これは、透明な多段階推論ときめ細かい認知難易度制御という、現在のパイプラインの2つの慢性的な弱点に対処する。 技術的には、このフレームワークは知識グラフ、RAG検索、教育評価理論を単一のパイプラインに融合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: KAQG introduces a decisive breakthrough for Retrieval-Augmented Generation (RAG) by explicitly tackling the two chronic weaknesses of current pipelines: transparent multi-step reasoning and fine-grained cognitive difficulty control. This transforms RAG from a passive retriever into an accountable generator of calibrated exam items. Technically, the framework fuses knowledge graphs, RAG retrieval, and educational assessment theory into a single pipeline. Domain passages are parsed into a structured graph; graph-aware retrieval feeds fact chains to an LLM; and an assessment layer governed by Bloom's Taxonomy levels and Item Response Theory (IRT) transforms those chains into psychometrically sound questions. This cross-disciplinary marriage yields two scholarly contributions: it shows how semantic graph contexts guide LLM reasoning paths, and it operationalizes difficulty metrics within the generation process, producing items whose IRT parameters match expert benchmarks. Every module, from KG construction scripts to the multi-agent reasoning scheduler and the automatic IRT validator, is openly released on GitHub. This enables peer laboratories to replicate experiments, benchmark against baselines, and extend individual components without licensing barriers. Its reproducible design paves the way for rigorous ablation studies, cross-domain transfer experiments, and shared leaderboards on multi-step reasoning benchmarks.
• Abstract（参考訳）: KAQGは、透明な多段階推論ときめ細かい認知難易度制御という、現在のパイプラインの2つの慢性的な弱点に明示的に対処することで、レトリーバル強化世代(RAG)に決定的なブレークスルーをもたらす。 これにより、RAGを受動レトリバーから校正試験項目の説明可能な生成装置に変換する。 技術的には、このフレームワークは知識グラフ、RAG検索、教育評価理論を単一のパイプラインに融合する。 ドメイン・パスは構造化されたグラフに解析され、グラフ認識検索はファクト・チェーンをLLMに供給し、ブルームの分類学レベルとアイテム・レスポンス・理論(IRT)が支配するアセスメント・レイヤはこれらのチェーンを心理的に健全な質問へと変換する。 セマンティックグラフコンテキストがLCM推論経路をどのように導くかを示し、IRTパラメータがエキスパートベンチマークにマッチするアイテムを生成する、生成プロセス内で難しいメトリクスを運用する。 KG構成スクリプトからマルチエージェント推論スケジューラ、IRTバリデータ自動バリデータに至るまで、すべてのモジュールがGitHubで公開されている。 これにより、ピアラボラトリーは、実験を複製し、ベースラインに対してベンチマークし、ライセンス障壁なしに個々のコンポーネントを拡張することができる。 再現可能な設計は、厳密なアブレーション研究、クロスドメイン転送実験、マルチステップ推論ベンチマークにおける共有リーダボードの道を開く。

関連論文リスト

• AlignRAG: An Adaptable Framework for Resolving Misalignments in Retrieval-Aware Reasoning of RAG [61.28113271728859]
  Retrieval-augmented Generation (RAG) は知識基底テキスト生成の基礎パラダイムとして登場した。 既存のRAGパイプラインは、しばしば、推論軌跡が、検索されたコンテンツによって課される明らかな制約と一致しないことを保証するのに失敗する。 そこで我々は,反復的批判駆動アライメントステップによる推論ミスアライメントを緩和する新しいテストタイムフレームワークであるAlignRAGを提案する。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• 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)
• Debate on Graph: a Flexible and Reliable Reasoning Framework for Large Language Models [33.662269036173456]
  大規模言語モデル(LLM)は、関連する知識の欠如により、現実世界の応用において幻覚に悩まされることがある。 KGQA(Knowledge Graph Question Answering)は、統合のための重要な手掛かりとなる。 LLMの対話型学習機能を活用してグラフ上での推論と議論を行う対話型KGQAフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-05T01:11:58Z)
• RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
  本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。 事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。 実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
  論文  参考訳（メタデータ） (2024-08-02T13:35:11Z)
• TRACE the Evidence: Constructing Knowledge-Grounded Reasoning Chains for Retrieval-Augmented Generation [30.485127201645437]
  本稿では,RAGモデルのマルチホップ推論能力を高めるためにTRACEを提案する。 TRACEは、論理的に連結された一連の知識三重項である知識基底推論連鎖を構成する。 TRACEは、取得したすべてのドキュメントと比較して、平均14.03%の性能向上を実現している。
  論文  参考訳（メタデータ） (2024-06-17T12:23:32Z)
• RQ-RAG: Learning to Refine Queries for Retrieval Augmented Generation [42.82192656794179]
  大きな言語モデル(LLM)は優れた能力を示すが、不正確なあるいは幻覚反応を引き起こす傾向がある。 この制限は、膨大な事前トレーニングデータセットに依存することに起因するため、目に見えないシナリオでのエラーの影響を受けやすい。 Retrieval-Augmented Generation (RAG) は、外部の関連文書を応答生成プロセスに組み込むことによって、この問題に対処する。
  論文  参考訳（メタデータ） (2024-03-31T08:58:54Z)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)

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。