論文の概要: GPR: Empowering Generation with Graph-Pretrained Retriever

• arxiv url: http://arxiv.org/abs/2506.00261v2
• Date: Tue, 03 Jun 2025 02:07:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:32.58688
• Title: GPR: Empowering Generation with Graph-Pretrained Retriever
• Title（参考訳）: GPR: Graph-Pretrained Retriever によるジェネレーションの強化
• Authors: Xiaochen Wang, Zongyu Wu, Yuan Zhong, Xiang Zhang, Suhang Wang, Fenglong Ma,
• Abstract要約: GPRは知識グラフ上で事前訓練されたグラフベースのレトリバーである。 LLM-guided graph augmentationにより、自然言語問題と関連する部分グラフを一致させる。 微粒な検索戦略を学習するために構造認識の目的を用いる。
• 参考スコア（独自算出の注目度）: 45.643094894572464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph retrieval-augmented generation (GRAG) places high demands on graph-specific retrievers. However, existing retrievers often rely on language models pretrained on plain text, limiting their effectiveness due to domain misalignment and structure ignorance. To address these challenges, we propose GPR, a graph-based retriever pretrained directly on knowledge graphs. GPR aligns natural language questions with relevant subgraphs through LLM-guided graph augmentation and employs a structure-aware objective to learn fine-grained retrieval strategies. Experiments on two datasets, three LLM backbones, and five baselines show that GPR consistently improves both retrieval quality and downstream generation, demonstrating its effectiveness as a robust retrieval solution for GRAG.
• Abstract（参考訳）: グラフ検索強化生成(GRAG)は、グラフ固有のレトリバーに高い要求を課す。 しかし、既存の検索者は、しばしばプレーンテキストで事前訓練された言語モデルに依存しており、ドメインのミスアライメントと構造的無知のために、その有効性を制限している。 これらの課題に対処するため,知識グラフに直接事前学習したグラフベースレトリバーGPRを提案する。 GPRは、LLM誘導グラフ拡張を通じて、自然言語問題と関連する部分グラフを整合させ、きめ細かい検索戦略を学ぶために構造認識の目的を用いる。 2つのデータセット、3つのLCMバックボーン、5つのベースラインの実験により、GPRは検索品質と下流生成の両方を一貫して改善し、GRAGの堅牢な検索ソリューションとしての有効性を示す。

関連論文リスト

• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [75.9865035064794]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• GraphRAFT: Retrieval Augmented Fine-Tuning for Knowledge Graphs on Graph Databases [0.0]
  GraphRAFTは、LCMを微調整して、確実に正しいCypherクエリを生成する、検索と推論のためのフレームワークである。 本手法は,自然グラフDBに格納された知識グラフを用いて,棚から取り出すことができる最初の方法である。
  論文  参考訳（メタデータ） (2025-04-07T20:16:22Z)
• 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)
• Evaluating and Improving Graph to Text Generation with Large Language Models [46.529034150391595]
  大規模言語モデル(LLM)は、様々なタスクにおいて大きな可能性を証明している。 我々は、グラフからテキストへの生成タスクにおいて、現在のオープンソース LLM を誘導する包括的な評価を行う。 我々は、新しいグラフからテキストへのデータセット、PlanGTGを導入し、2つのサブタスク、すなわちリオーダーと属性を注釈付けした。
  論文  参考訳（メタデータ） (2025-01-24T13:53:54Z)
• GRAG: Graph Retrieval-Augmented Generation [14.98084919101233]
  Graph Retrieval-Augmented Generation (GRAG)は、テキストサブグラフを取得する際の根本的な課題に取り組む。 本稿では,線形時間で最適な部分グラフ構造を検索する新たな分割・対数戦略を提案する。 提案手法は現状のRAG法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-26T10:11:40Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)

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。