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

• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• PROPEX-RAG: Enhanced GraphRAG using Prompt-Driven Prompt Execution [4.1390735746263685]
  本稿では, 実体抽出, 事実選択, 通過再開を促進する上で, 素早い定式化の意義を浮き彫りにした, プロンプト駆動型グラフRAGフレームワークを提案する。 我々のシステムはHotpotQAと2WikiMultiHopQAで最先端のパフォーマンスを獲得し、F1スコアは80.7%、78.9%、Recall@5スコアは97.1%、98.1%である。
  論文  参考訳（メタデータ） (2025-11-03T18:00:56Z)
• 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)
• UiS-IAI@LiveRAG: Retrieval-Augmented Information Nugget-Based Generation of Responses [11.798121559820792]
  Retrieval-augmented Generation (RAG) は、事実の正しさ、ソース属性、応答完全性に関連する課題に直面している。 本稿では,検索した文書から抽出した関連情報の最小限の原子単位である情報ナゲットに基づくモジュールパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-06-27T13:29:25Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• CORAL: Benchmarking Multi-turn Conversational Retrieval-Augmentation Generation [68.81271028921647]
  我々は,現実的なマルチターン対話環境におけるRAGシステム評価のためのベンチマークであるCORALを紹介する。 コラルにはウィキペディアから自動的に派生した多様な情報検索会話が含まれている。 対話型RAGの3つの中核的なタスク、すなわち、通過検索、応答生成、および引用ラベリングをサポートする。
  論文  参考訳（メタデータ） (2024-10-30T15:06:32Z)
• 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。