論文の概要: Benchmarking Vector, Graph and Hybrid Retrieval Augmented Generation (RAG) Pipelines for Open Radio Access Networks (ORAN)

• arxiv url: http://arxiv.org/abs/2507.03608v1
• Date: Fri, 04 Jul 2025 14:31:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.800827
• Title: Benchmarking Vector, Graph and Hybrid Retrieval Augmented Generation (RAG) Pipelines for Open Radio Access Networks (ORAN)
• Title（参考訳）: オープン無線アクセスネットワーク(ORAN)のためのベンチマークベクトル,グラフおよびハイブリッド検索生成(RAG)パイプライン
• Authors: Sarat Ahmad, Zeinab Nezami, Maryam Hafeez, Syed Ali Raza Zaidi,
• Abstract要約: 大きな言語モデル(LLM)は、RAN Intelligent Controller(RIC)プラットフォームから仕様とAPI定義を活用することで、xAppsとrAppsを生成するために特殊化することができる。 Retrieval-Augmented Generation (RAG)は、コンテキスト内学習を通じて実践的な代替手段を提供する。 本研究では,ORAN仕様を用いたベクトルRAG,GraphRAG,Hybrid GraphRAGの比較評価を行った。
• 参考スコア（独自算出の注目度）: 0.3999851878220877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI (GenAI) is expected to play a pivotal role in enabling autonomous optimization in future wireless networks. Within the ORAN architecture, Large Language Models (LLMs) can be specialized to generate xApps and rApps by leveraging specifications and API definitions from the RAN Intelligent Controller (RIC) platform. However, fine-tuning base LLMs for telecom-specific tasks remains expensive and resource-intensive. Retrieval-Augmented Generation (RAG) offers a practical alternative through in-context learning, enabling domain adaptation without full retraining. While traditional RAG systems rely on vector-based retrieval, emerging variants such as GraphRAG and Hybrid GraphRAG incorporate knowledge graphs or dual retrieval strategies to support multi-hop reasoning and improve factual grounding. Despite their promise, these methods lack systematic, metric-driven evaluations, particularly in high-stakes domains such as ORAN. In this study, we conduct a comparative evaluation of Vector RAG, GraphRAG, and Hybrid GraphRAG using ORAN specifications. We assess performance across varying question complexities using established generation metrics: faithfulness, answer relevance, context relevance, and factual correctness. Results show that both GraphRAG and Hybrid GraphRAG outperform traditional RAG. Hybrid GraphRAG improves factual correctness by 8%, while GraphRAG improves context relevance by 7%.
• Abstract（参考訳）: ジェネレーティブAI(GenAI)は、将来の無線ネットワークにおいて自律的な最適化を実現する上で、重要な役割を果たすことが期待されている。 ORANアーキテクチャでは、Large Language Models(LLM)は、RAN Intelligent Controller(RIC)プラットフォームから仕様とAPI定義を活用することで、xAppsとrAppsを生成するために特殊化することができる。 しかし、通信特化タスクのための微調整ベースLSMは高価で資源集約的である。 Retrieval-Augmented Generation (RAG)は、コンテキスト内学習を通じて実用的な代替手段を提供する。 従来のRAGシステムはベクトルベースの検索に頼っているが、GraphRAGやHybrid GraphRAGのような新しい変種は知識グラフや二重検索戦略を取り入れ、マルチホップ推論をサポートし、現実のグラウンドを改善する。 約束にもかかわらず、これらの手法は、特にORANのような高い領域において、体系的、計量駆動的な評価を欠いている。 本研究では,ORAN仕様を用いたベクトルRAG,GraphRAG,Hybrid GraphRAGの比較評価を行った。 我々は,信頼度,回答関連性,文脈関連性,事実正当性という,確立された世代指標を用いて,様々な質問複雑度にまたがるパフォーマンスを評価する。 その結果,GraphRAGとHybrid GraphRAGは従来のRAGよりも優れていた。 ハイブリッドGraphRAGは事実の正しさを8%改善し、GraphRAGはコンテキスト関連性を7%改善する。

関連論文リスト

• When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation [25.508719115522645]
  グラフ検索強化世代(GraphRAG)は、外部知識で大規模言語モデル(LLM)を拡張するための強力なパラダイムとして登場した。 最近の研究では、GraphRAGは多くの現実世界のタスクにおいてバニラRAGを過小評価している。 GraphRAGは本当に有効か、グラフ構造がRAGシステムに測定可能なメリットを提供するシナリオは存在するのか?
  論文  参考訳（メタデータ） (2025-06-06T02:37:47Z)
• 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)
• HyperGraphRAG: Retrieval-Augmented Generation via Hypergraph-Structured Knowledge Representation [21.291102413159752]
  ハイパーエッジによるn-aryリレーショナル事実を表す新しいグラフベースRAG法であるHyperGraphRAGを提案する。 医学、農業、コンピュータ科学、法をまたいだ実験では、HyperGraphRAGは標準的なRAG法と従来のグラフベースのRAG法の両方で、精度、検索効率、生成品質に優れていた。
  論文  参考訳（メタデータ） (2025-03-27T10:01:16Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• Empowering GraphRAG with Knowledge Filtering and Integration [33.174985984667636]
  グラフ検索強化生成(GraphRAG)は、外部グラフから構造化知識を統合することにより、大規模言語モデルの推論を強化する。 筆者らは,1)ノイズや無関係な情報を取得することは,性能を低下させる可能性があり,(2)外部知識への過剰依存は本質的な推論を抑制する。 本稿では,GraphRAG-Filtering と GraphRAG-Integration を組み合わせた GraphRAG-FI (Filtering and Integration) を提案する。
  論文  参考訳（メタデータ） (2025-03-18T01:29:55Z)
• G-OSR: A Comprehensive Benchmark for Graph Open-Set Recognition [54.45837774534411]
  ノードレベルとグラフレベルの両方でグラフオープンセット認識(GOSR)手法を評価するベンチマークである textbfG-OSR を導入する。 結果は、現在のGOSR手法の一般化可能性と限界に関する重要な洞察を与える。
  論文  参考訳（メタデータ） (2025-03-01T13:02:47Z)
• 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)
• 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)

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。