論文の概要: Graph-based RAG Enhancement via Global Query Disambiguation and Dependency-Aware Reranking

• arxiv url: http://arxiv.org/abs/2506.11106v1
• Date: Sat, 07 Jun 2025 07:17:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.465676
• Title: Graph-based RAG Enhancement via Global Query Disambiguation and Dependency-Aware Reranking
• Title（参考訳）: Global Query DisambiguationとDependency-Aware Re rankによるグラフベースRAGの強化
• Authors: Ningyuan Li, Junrui Liu, Yi Shan, Minghui Huang, Tong Li,
• Abstract要約: PankRAGはグローバルに認識され、階層的なクエリ解決戦略である。 解決されたサブクエリ間の依存関係構造を利用するために、依存性対応のリランカを適用する。 PankRAGは、複数のベンチマークで最先端のアプローチを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 9.280502741892676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contemporary graph-based retrieval-augmented generation (RAG) methods typically begin by extracting entities from user queries and then leverage pre-constructed knowledge graphs to retrieve related relationships and metadata. However, this pipeline's exclusive reliance on entity-level extraction can lead to the misinterpretation or omission of latent yet critical information and relations. As a result, retrieved content may be irrelevant or contradictory, and essential knowledge may be excluded, exacerbating hallucination risks and degrading the fidelity of generated responses. To address these limitations, we introduce PankRAG, a framework that combines a globally aware, hierarchical query-resolution strategy with a novel dependency-aware reranking mechanism. PankRAG first constructs a multi-level resolution path that captures both parallel and sequential interdependencies within a query, guiding large language models (LLMs) through structured reasoning. It then applies its dependency-aware reranker to exploit the dependency structure among resolved sub-questions, enriching and validating retrieval results for subsequent sub-questions. Empirical evaluations demonstrate that PankRAG consistently outperforms state-of-the-art approaches across multiple benchmarks, underscoring its robustness and generalizability.
• Abstract（参考訳）: 現代のグラフベースの検索拡張生成(RAG)手法は、通常、ユーザクエリからエンティティを抽出し、事前構築された知識グラフを利用して関連性やメタデータを検索する。 しかし、このパイプラインのエンティティレベルの抽出への排他的依存は、潜伏しているが重要な情報や関係の誤解釈や省略につながる可能性がある。 その結果、検索された内容は無関係または矛盾し、本質的な知識は排除され、幻覚のリスクが悪化し、生成された応答の忠実度が低下する。 これらの制限に対処するために,グローバルに認識された階層的なクエリ解決戦略と,依存関係を意識した新たな優先順位付け機構を組み合わせたフレームワークであるPankRAGを紹介した。 PankRAGは、クエリ内で並列およびシーケンシャルな相互依存性をキャプチャし、構造化推論を通じて大きな言語モデル(LLM)を導出するマルチレベル解像度パスを最初に構築する。 次に、その依存性認識リランカを適用して、解決されたサブクエスト間の依存関係構造を利用して、その後のサブクエストに対する検索結果を強化し、検証する。 実証的な評価により、PankRAGは複数のベンチマークで最先端のアプローチを一貫して上回り、その堅牢性と一般化性を強調している。

関連論文リスト

• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• UniversalRAG: Retrieval-Augmented Generation over Corpora of Diverse Modalities and Granularities [53.76854299076118]
  UniversalRAGは異種情報源からの知識を多様さと粒度で検索・統合するための新しいRAGフレームワークである。 本稿では,最も適切なモダリティ固有コーパスを動的に識別し,その内部でターゲット検索を行うモダリティ対応ルーティング機構を提案する。 マルチモーダル性にまたがる8つのベンチマークでUniversalRAGを検証する。
  論文  参考訳（メタデータ） (2025-04-29T13:18:58Z)
• AlignRAG: Leveraging Critique Learning for Evidence-Sensitive Retrieval-Augmented Reasoning [61.28113271728859]
  RAGは知識ベースで大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 標準的なRAGパイプラインは、モデル推論が取得した証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 本研究では,RAGをRetrieval-Augmented Reasoningと解釈し,中心的だが未探索な問題であるtextitReasoning Misalignmentを同定する。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• HM-RAG: Hierarchical Multi-Agent Multimodal Retrieval Augmented Generation [11.53083922927901]
  HM-RAGは階層型マルチエージェントマルチモーダルRAGフレームワークである。 構造化、非構造化、グラフベースのデータ間での動的知識合成のための協調知能の先駆者である。
  論文  参考訳（メタデータ） (2025-04-13T06:55:33Z)
• Improving Multilingual Retrieval-Augmented Language Models through Dialectic Reasoning Argumentations [65.11348389219887]
  そこで,Dialectic-RAG(Dialectic-RAG, DRAG)を提案する。 我々は、文脈内学習戦略と、より小さなモデルをインストラクションするための実演の構築の両方において、我々のフレームワークが与える影響を示す。
  論文  参考訳（メタデータ） (2025-04-07T06:55:15Z)
• CausalRAG: Integrating Causal Graphs into Retrieval-Augmented Generation [11.265999775635823]
  CausalRAGは因果グラフを検索プロセスに組み込む新しいフレームワークである。 因果関係の構築と追跡により、CausalRAGは文脈連続性を保ち、検索精度を向上させる。 本研究は,因果推論における接地探索が,知識集約型タスクに有望なアプローチをもたらすことを示唆している。
  論文  参考訳（メタデータ） (2025-03-25T17:43:08Z)
• 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 (LLM) 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。 ArchRAGはHuaweiのクラウドコンピューティングにおけるドメイン知識のQAにうまく適用されている。
  論文  参考訳（メタデータ） (2025-02-14T03:28:36Z)

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。