論文の概要: KGRAG-Ex: Explainable Retrieval-Augmented Generation with Knowledge Graph-based Perturbations

• arxiv url: http://arxiv.org/abs/2507.08443v1
• Date: Fri, 11 Jul 2025 09:35:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.309605
• Title: KGRAG-Ex: Explainable Retrieval-Augmented Generation with Knowledge Graph-based Perturbations
• Title（参考訳）: KGRAG-Ex:知識グラフに基づく摂動を用いた説明可能な検索拡張生成
• Authors: Georgios Balanos, Evangelos Chasanis, Konstantinos Skianis, Evaggelia Pitoura,
• Abstract要約: 知識グラフ(KG)は、エンティティとその関係の構造化された意味的にリッチな表現を導入することで、ソリューションを提供する。 KGRAG-Exは,ドメイン固有のKGを活用することにより,現実的なグラウンド化と説明可能性を改善するRAGシステムである。 ユーザクエリが与えられた場合、KGRAG-Exはグラフ内の関連エンティティとセマンティックパスを特定し、擬似パラグラフに変換する。
• 参考スコア（独自算出の注目度）: 2.287415292857565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) enhances language models by grounding responses in external information, yet explainability remains a critical challenge, particularly when retrieval relies on unstructured text. Knowledge graphs (KGs) offer a solution by introducing structured, semantically rich representations of entities and their relationships, enabling transparent retrieval paths and interpretable reasoning. In this work, we present KGRAG-Ex, a RAG system that improves both factual grounding and explainability by leveraging a domain-specific KG constructed via prompt-based information extraction. Given a user query, KGRAG-Ex identifies relevant entities and semantic paths in the graph, which are then transformed into pseudo-paragraphs: natural language representations of graph substructures that guide corpus retrieval. To improve interpretability and support reasoning transparency, we incorporate perturbation-based explanation methods that assess the influence of specific KG-derived components on the generated answers. We conduct a series of experiments to analyze the sensitivity of the system to different perturbation methods, the relationship between graph component importance and their structural positions, the influence of semantic node types, and how graph metrics correspond to the influence of components within the explanations process.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、外部情報に応答を接地することで言語モデルを強化するが、特に検索が構造化されていないテキストに依存している場合、説明性は重要な課題である。 知識グラフ(KG)は、エンティティとその関係に関する構造的、意味的にリッチな表現を導入し、透過的な検索パスと解釈可能な推論を可能にするソリューションを提供する。 本稿では,プロンプトベースの情報抽出によって構築されたドメイン固有KGを活用することにより,現実のグラウンド化と説明可能性の両方を改善するRAGシステムであるKGRAG-Exを提案する。 ユーザクエリが与えられた場合、KGRAG-Exはグラフ内の関連エンティティとセマンティックパスを識別し、擬似パラグラフに変換する。 解釈可能性の向上と推論の透明性を支援するために,特定のKG成分が生成した回答に与える影響を評価する摂動に基づく説明手法を取り入れた。 様々な摂動法に対するシステムの感度、グラフ成分の重要性とその構造的位置との関係、意味ノードの種類の影響、およびグラフメトリクスが説明過程における成分の影響にどのように対応するかを分析するための一連の実験を行った。

関連論文リスト

• Talking to GDELT Through Knowledge Graphs [0.6153162958674417]
  本研究では,各アプローチの強みと弱みを質問応答解析で把握するために,様々なRAG(Retrieval Augmented Regeneration)アプローチについて検討する。 テキストコーパスから情報を取得するために,従来のベクトルストアRAGと,最先端の大規模言語モデル(LLM)に基づくアプローチを実装した。
  論文  参考訳（メタデータ） (2025-03-10T17:48:10Z)
• G-Refer: Graph Retrieval-Augmented Large Language Model for Explainable Recommendation [48.23263809469786]
  本稿では,グラフ検索拡張大言語モデル (LLM) を用いた提案手法を提案する。 G-Referは、説明可能性と安定性の両方において既存の手法と比較して優れた性能を達成する。
  論文  参考訳（メタデータ） (2025-02-18T06:42:38Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Query-Enhanced Adaptive Semantic Path Reasoning for Inductive Knowledge Graph Completion [45.9995456784049]
  本稿では Query-Enhanced Adaptive Semantic Path Reasoning (QASPR) フレームワークを提案する。 QASPRは、帰納的KGCタスクを強化するために、KGの構造情報と意味情報の両方をキャプチャする。 実験の結果,QASPRは最先端の性能を達成できた。
  論文  参考訳（メタデータ） (2024-06-04T11:02:15Z)
• GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
  本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-01-13T08:25:53Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)

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。