論文の概要: GraphRunner: A Multi-Stage Framework for Efficient and Accurate Graph-Based Retrieval

• arxiv url: http://arxiv.org/abs/2507.08945v1
• Date: Fri, 11 Jul 2025 18:10:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:21.957629
• Title: GraphRunner: A Multi-Stage Framework for Efficient and Accurate Graph-Based Retrieval
• Title（参考訳）: GraphRunner: グラフベースの検索を効率的かつ正確に行うためのマルチステージフレームワーク
• Authors: Savini Kashmira, Jayanaka L. Dantanarayana, Krisztián Flautner, Lingjia Tang, Jason Mars,
• Abstract要約: GraphRunnerは、新しいグラフベースの検索フレームワークで、計画、検証、実行の3つの異なる段階で動作する。 推論エラーを著しく低減し、実行前に幻覚を検出する。 GRBenchデータセットによる評価は、GraphRunnerが既存のアプローチを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 3.792463570467098
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional Retrieval Augmented Generation (RAG) approaches are common in text-based applications. However, they struggle with structured, interconnected datasets like knowledge graphs, where understanding underlying relationships is crucial for accurate retrieval. A common direction in graph-based retrieval employs iterative, rule-based traversal guided by Large Language Models (LLMs). Such existing iterative methods typically combine reasoning with single hop traversal at each step, making them vulnerable to LLM reasoning errors and hallucinations that ultimately hinder the retrieval of relevant information. To address these limitations, we propose GraphRunner, a novel graph-based retrieval framework that operates in three distinct stages: planning, verification, and execution. This introduces high-level traversal actions that enable multi-hop exploration in a single step. It also generates a holistic traversal plan, which is verified against the graph structure and pre-defined traversal actions, reducing reasoning errors and detecting hallucinations before execution. GraphRunner significantly reduces LLM reasoning errors and detects hallucinations through validation. Our evaluation using the GRBench dataset shows that GraphRunner consistently outperforms existing approaches, achieving 10-50% performance improvements over the strongest baseline while reducing inference cost by 3.0-12.9x and response generation time by 2.5-7.1x, making it significantly more robust and efficient for graph-based retrieval tasks.
• Abstract（参考訳）: 従来の検索型拡張生成(RAG)アプローチは、テキストベースのアプリケーションでは一般的である。 しかし、知識グラフのような構造化された相互接続されたデータセットでは、基礎となる関係を理解することが正確な検索に不可欠である。 グラフに基づく検索における共通の方向は、LLM(Large Language Models)によって導かれる反復的な規則に基づくトラバースである。 このような既存の反復的手法は、通常、各ステップにおける推論とシングルホップのトラバーサルを組み合わせることで、LSMの推論エラーや幻覚に弱いため、最終的には関連する情報の検索を妨げている。 このような制限に対処するために,計画,検証,実行という3つの異なる段階で動作するグラフベースの検索フレームワークであるGraphRunnerを提案する。 これは、単一のステップでマルチホップ探索を可能にするハイレベルなトラバースアクションを導入する。 また、グラフ構造と事前に定義されたトラバース行動に対して検証され、推論エラーを低減し、実行前に幻覚を検出する全体論的トラバース計画を生成する。 GraphRunnerはLLM推論エラーを大幅に削減し、バリデーションを通じて幻覚を検出する。 GRBenchデータセットを用いて評価したところ、GraphRunnerは既存のアプローチを一貫して上回り、最強のベースラインに対して10～50%のパフォーマンス向上を実現し、推論コストを3.0～12.9倍、レスポンス生成時間を2.5～7.1倍に削減し、グラフベースの検索タスクにおいてより堅牢で効率的であることがわかった。

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)
• E^2GraphRAG: Streamlining Graph-based RAG for High Efficiency and Effectiveness [15.829377965705746]
  本稿では,グラフベースのRAGフレームワークであるE2GraphRAGを提案する。 E2GraphRAGはGraphRAGの最大10倍のインデックス化を実現し、LightRAGの100倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-05-30T05:27:40Z)
• 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)
• Graph Chain-of-Thought: Augmenting Large Language Models by Reasoning on Graphs [60.71360240206726]
  大規模言語モデル(LLM)は、特に知識集約的なタスクにおいて幻覚に悩まされる。 既存の研究は、外部知識コーパスから取得した個々のテキスト単位でLLMを拡張することを提案する。 本稿では,グラフを反復的に推論することで,LLMをグラフで拡張するためのGraph Chain-of-thinkt (Graph-CoT) というフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T15:41:53Z)
• 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)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)

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。