Fugu-MT 論文翻訳(概要): TERAG: Token-Efficient Graph-Based Retrieval-Augmented Generation

論文の概要: TERAG: Token-Efficient Graph-Based Retrieval-Augmented Generation

arxiv url: http://arxiv.org/abs/2509.18667v1
Date: Tue, 23 Sep 2025 05:34:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-24 20:41:27.718283
Title: TERAG: Token-Efficient Graph-Based Retrieval-Augmented Generation
Title（参考訳）: TERAG:Token-Efficient Graph-based Retrieval-Augmented Generation
Authors: Qiao Xiao, Hong Ting Tsang, Jiaxin Bai,
Abstract要約: 本稿では,情報グラフを低コストで構築するためのフレームワークであるTERAGを提案する。 HippoRAGにインスパイアされたPersonalized PageRank(PPR)を検索フェーズに組み込んだ。広く使われているグラフベースRAG法の精度の少なくとも80%を達成し、出力トークンの3%-11%しか消費していない。
参考スコア（独自算出の注目度）: 15.606880864583436
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Graph-based Retrieval-augmented generation (RAG) has become a widely studied approach for improving the reasoning, accuracy, and factuality of Large Language Models. However, many existing graph-based RAG systems overlook the high cost associated with LLM token usage during graph construction, hindering large-scale adoption. To address this, we propose TERAG, a simple yet effective framework designed to build informative graphs at a significantly lower cost. Inspired by HippoRAG, we incorporate Personalized PageRank (PPR) during the retrieval phase, and we achieve at least 80% of the accuracy of widely used graph-based RAG methods while consuming only 3%-11% of the output tokens.
Abstract（参考訳）: グラフベース検索拡張生成(RAG)は、大規模言語モデルの推論、正確性、事実性を改善するために広く研究されているアプローチである。しかし、既存のグラフベースのRAGシステムの多くは、グラフ構築時のLLMトークン使用に伴う高コストを見落とし、大規模な採用を妨げる。そこで本研究では,情報グラフを低コストで構築するための,シンプルかつ効果的なフレームワークであるTERAGを提案する。 HippoRAGにインスパイアされ、検索フェーズ中にパーソナライズされたPPR(Personalized PageRank)を組み込み、広く使われているグラフベースのRAG手法の精度の少なくとも80%を達成し、出力トークンの3%-11%しか消費しない。

関連論文リスト

GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
論文参考訳（メタデータ） (2025-09-20T02:38:00Z)
Zero-shot Graph Reasoning via Retrieval Augmented Framework with LLMs [15.558119182035995]
検索型拡張フレームワーク(GRRAF)を用いた新しい学習不要なグラフ推論手法を提案する。 GRRAFは、大規模な言語モデル(LLM)のコード生成機能とともに、検索拡張生成(RAG)を活用して、幅広いグラフ推論タスクに対処する。 GraphInstructデータセットの実験的評価により、ほとんどのグラフ推論タスクにおいて、GRRAFが100%の精度を達成することが明らかになった。
論文参考訳（メタデータ） (2025-09-16T06:58:58Z)
Graph-R1: Towards Agentic GraphRAG Framework via End-to-end Reinforcement Learning [20.05893083101089]
Graph-R1は、エンドツーエンド強化学習(RL)によるエージェントGraphRAGフレームワークである軽量な知識ハイパーグラフ構築、マルチターンエージェント環境相互作用としてのモデル検索を導入している。標準RAGデータセットの実験では、Graph-R1は、精度、検索効率、生成品質を推算する従来のGraphRAGおよびRL強化RAGメソッドよりも優れていた。
論文参考訳（メタデータ） (2025-07-29T15:01:26Z)
Efficient Knowledge Graph Construction and Retrieval from Unstructured Text for Large-Scale RAG Systems [0.06597195879147556]
企業環境にグラフベースの検索拡張生成(GraphRAG)をデプロイするためのスケーラブルで費用効率のよいフレームワークを提案する。これらの結果は、現実の大規模エンタープライズアプリケーションにGraphRAGシステムをデプロイできる可能性を検証する。
論文参考訳（メタデータ） (2025-07-04T00:05:55Z)
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)
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)
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)
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)
Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
論文参考訳（メタデータ） (2022-07-18T14:23:31Z)
Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文参考訳（メタデータ） (2021-02-14T05:28:13Z)

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。