論文の概要: ReTAG: Retrieval-Enhanced, Topic-Augmented Graph-Based Global Sensemaking

• arxiv url: http://arxiv.org/abs/2509.25814v1
• Date: Tue, 30 Sep 2025 05:41:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.03025
• Title: ReTAG: Retrieval-Enhanced, Topic-Augmented Graph-Based Global Sensemaking
• Title（参考訳）: ReTAG:検索機能を強化したグラフベースのグローバルセンス
• Authors: Boyoung Kim, Dosung Lee, Sumin An, Jinseong Jeong, Paul Hongsuck Seo,
• Abstract要約: グローバルなセンスメイキングに対するグラフベースのアプローチは、検索機構、トピックの特異性に欠け、高い推論コストを発生させる。 本稿では、トピック固有のサブグラフを構築し、応答生成に関連する要約を検索するRetrieval-Enhanced Topic-Augmented GraphフレームワークであるReTAGを提案する。 実験の結果、ReTAGは応答品質を向上し、ベースラインに比べて推論時間を大幅に短縮することがわかった。
• 参考スコア（独自算出の注目度）: 15.196710687220522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in question answering have led to substantial progress in tasks such as multi-hop reasoning. However, global sensemaking-answering questions by synthesizing information from an entire corpus remains a significant challenge. A prior graph-based approach to global sensemaking lacks retrieval mechanisms, topic specificity, and incurs high inference costs. To address these limitations, we propose ReTAG, a Retrieval-Enhanced, Topic-Augmented Graph framework that constructs topic-specific subgraphs and retrieves the relevant summaries for response generation. Experiments show that ReTAG improves response quality while significantly reducing inference time compared to the baseline. Our code is available at https://github.com/bykimby/retag.
• Abstract（参考訳）: 質問応答の最近の進歩は、マルチホップ推論のようなタスクに大きな進歩をもたらした。 しかし、コーパス全体から情報を合成することで、グローバルなセンスメイキングに答える質問は、依然として大きな課題である。 グローバルなセンスメイキングに対する従来のグラフベースのアプローチは、検索機構、トピックの特異性に欠けており、高い推論コストを発生させる。 これらの制約に対処するため、Retrieval-Enhanced Topic-Augmented GraphフレームワークであるReTAGを提案し、トピック固有のサブグラフを構築し、応答生成に関連する要約を検索する。 実験の結果、ReTAGは応答品質を向上し、ベースラインに比べて推論時間を大幅に短縮することがわかった。 私たちのコードはhttps://github.com/bykimby/retag.comで利用可能です。

関連論文リスト

• KERAG: Knowledge-Enhanced Retrieval-Augmented Generation for Advanced Question Answering [26.051374461832964]
  検索型拡張生成(RAG)は大規模言語モデル(LLM)における幻覚を緩和する 我々はKGをベースとした新しいRAGパイプラインであるKERAGについて述べる。 実験の結果、KERAGは最先端のソリューションを約7%上回り、GPT-4o(Tool)を10-21%上回ることがわかった。
  論文  参考訳（メタデータ） (2025-09-05T00:06:00Z)
• ELOQ: Resources for Enhancing LLM Detection of Out-of-Scope Questions [52.33835101586687]
  本研究では,検索した文書が意味的に類似しているように見えるスコープ外質問について検討するが,答えるために必要な情報がない。 本稿では,閉経後の文書から多様なスコープ外質問を自動的に生成するための,幻覚に基づくELOQを提案する。
  論文  参考訳（メタデータ） (2024-10-18T16:11:29Z)
• From Local to Global: A Graph RAG Approach to Query-Focused Summarization [4.075260785658849]
  GraphRAGは、プライベートテキストコーパスに対する質問応答のためのグラフベースのアプローチである。 我々は,GraphRAGが従来のRAGベースラインよりも大幅に改善され,生成した回答の包括性と多様性が向上することを示す。
  論文  参考訳（メタデータ） (2024-04-24T18:38:11Z)
• 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)
• AnswerSumm: A Manually-Curated Dataset and Pipeline for Answer Summarization [73.91543616777064]
  Stack OverflowやYahoo!のようなコミュニティ質問回答(CQA)フォーラムには、幅広いコミュニティベースの質問に対する回答の豊富なリソースが含まれている。 回答の要約の1つのゴールは、回答の視点の範囲を反映した要約を作成することである。 本研究は,専門言語学者による解答要約のための4,631個のCQAスレッドからなる新しいデータセットを導入する。
  論文  参考訳（メタデータ） (2021-11-11T21:48:02Z)
• Semantic Graphs for Generating Deep Questions [98.5161888878238]
  本稿では、まず、入力文書のセマンティックレベルグラフを構築し、次にアテンションベースのGGNN(Att-GGNN)を導入してセマンティックグラフを符号化する新しいフレームワークを提案する。 HotpotQAのDeep-question中心のデータセットでは、複数の事実の推論を必要とする問題よりもパフォーマンスが大幅に向上し、最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-04-27T10:52:52Z)

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。