論文の概要: Beyond Static Retrieval: Opportunities and Pitfalls of Iterative Retrieval in GraphRAG

• arxiv url: http://arxiv.org/abs/2509.25530v1
• Date: Mon, 29 Sep 2025 21:38:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.335371
• Title: Beyond Static Retrieval: Opportunities and Pitfalls of Iterative Retrieval in GraphRAG
• Title（参考訳）: 静的検索を超えて: GraphRAGにおける反復検索の機会と落とし穴
• Authors: Kai Guo, Xinnan Dai, Shenglai Zeng, Harry Shomer, Haoyu Han, Yu Wang, Jiliang Tang,
• Abstract要約: グラフベースのRAG(GraphRAG)は、知識集約型質問応答において、大規模言語モデル(LLM)を改善するための強力なパラダイムである。 反復検索は有望な代替手段として登場したが、GraphRAGにおけるその役割は未だよく分かっていない。 本稿では,グラフベースのバックボーンと異なる戦略がどのように相互作用するかを解析し,グラフRAGにおける反復検索に関する最初の体系的研究について述べる。
• 参考スコア（独自算出の注目度）: 40.27922416050001
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-augmented generation (RAG) is a powerful paradigm for improving large language models (LLMs) on knowledge-intensive question answering. Graph-based RAG (GraphRAG) leverages entity-relation graphs to support multi-hop reasoning, but most systems still rely on static retrieval. When crucial evidence, especially bridge documents that connect disjoint entities, is absent, reasoning collapses and hallucinations persist. Iterative retrieval, which performs multiple rounds of evidence selection, has emerged as a promising alternative, yet its role within GraphRAG remains poorly understood. We present the first systematic study of iterative retrieval in GraphRAG, analyzing how different strategies interact with graph-based backbones and under what conditions they succeed or fail. Our findings reveal clear opportunities: iteration improves complex multi-hop questions, helps promote bridge documents into leading ranks, and different strategies offer complementary strengths. At the same time, pitfalls remain: naive expansion often introduces noise that reduces precision, gains are limited on single-hop or simple comparison questions, and several bridge evidences still be buried too deep to be effectively used. Together, these results highlight a central bottleneck, namely that GraphRAG's effectiveness depends not only on recall but also on whether bridge evidence is consistently promoted into leading positions where it can support reasoning chains. To address this challenge, we propose Bridge-Guided Dual-Thought-based Retrieval (BDTR), a simple yet effective framework that generates complementary thoughts and leverages reasoning chains to recalibrate rankings and bring bridge evidence into leading positions. BDTR achieves consistent improvements across diverse GraphRAG settings and provides guidance for the design of future GraphRAG systems.
• Abstract（参考訳）: Retrieval-augmented Generation(RAG)は、知識集約型質問応答において、大規模言語モデル(LLM)を改善するための強力なパラダイムである。 グラフベースのRAG(GraphRAG)はマルチホップ推論をサポートするためにエンティティ関係グラフを利用するが、ほとんどのシステムは静的検索に依存している。 重要な証拠、特に不連続な実体を繋ぐ橋梁の文書が欠落している場合、推論の崩壊と幻覚は継続する。 複数回のエビデンス選択を行う反復的検索は、有望な代替手段として現れてきたが、GraphRAGにおけるその役割はよく分かっていない。 本稿では,グラフベースバックボーンと異なる戦略がどのように相互作用するかを解析し,その成功と失敗の条件を考察する。 イテレーションは複雑なマルチホップ質問を改善し、ブリッジ文書を上位に進める助けとなり、様々な戦略が相補的な強みを提供する。 ナイーブな拡張は、しばしば精度を低下させるノイズを導入し、シングルホップや単純な比較問題で利得が制限され、いくつかの橋の証拠が深く埋もれすぎて効果的に利用できない。 これらの結果は、GraphRAGの有効性はリコールだけでなく、ブリッジエビデンスを推論チェーンをサポートする主要な位置へと一貫して進めるかどうかにも依存する、という中心的なボトルネックを浮き彫りにした。 この課題に対処するため,橋梁ガイド型デュアルソート・ベース・レトリーヴァル (BDTR) を提案する。 BDTRは、様々なGraphRAG設定で一貫した改善を実現し、将来のGraphRAGシステムの設計のためのガイダンスを提供する。

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)
• 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)
• Inference Scaled GraphRAG: Improving Multi Hop Question Answering on Knowledge Graphs [15.036480111358369]
  大きな言語モデル(LLM)は、言語理解と生成において印象的な能力を達成した。 構造化コンテキストやマルチホップ情報へのアクセスが限られているため、知識集約的推論タスクではパフォーマンスが低下し続けています。 Inference-Scaled GraphRAGは、推論時間計算のスケーリングを適用してLLMベースのグラフ推論を強化する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-06-24T19:31:03Z)
• 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)
• GraphRAG-Bench: Challenging Domain-Specific Reasoning for Evaluating Graph Retrieval-Augmented Generation [26.654064783342545]
  Graph Retrieval Augmented Generation (GraphRAG) は,大規模言語モデル(LLM)の拡張の可能性に対する認識を高めている。 GraphRAGモデルの現在の評価は、主に従来の問合せデータセットに依存している。 GraphRAGモデルを厳格に評価するために設計された大規模ドメイン固有ベンチマークであるGraphRAG-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-06-03T03:44:26Z)
• Chain-of-Retrieval Augmented Generation [72.06205327186069]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• 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。