論文の概要: SurveyG: A Multi-Agent LLM Framework with Hierarchical Citation Graph for Automated Survey Generation

• arxiv url: http://arxiv.org/abs/2510.07733v1
• Date: Thu, 09 Oct 2025 03:14:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.837837
• Title: SurveyG: A Multi-Agent LLM Framework with Hierarchical Citation Graph for Automated Survey Generation
• Title（参考訳）: SurveyG: 自動サーベイ生成のための階層化グラフ付きマルチエージェントLLMフレームワーク
• Authors: Minh-Anh Nguye, Minh-Duc Nguyen, Nguyen Thi Ha Lan, Kieu Hai Dang, Nguyen Tien Dong, Le Duy Dung,
• Abstract要約: 大規模言語モデル(LLM)は、調査用紙の自動生成にますます採用されている。 LLMに基づくエージェントフレームワークである textbfSurveyG を提案する。 textbfFoundation、textbfDevelopment、textbfFrontierの3つのレイヤで構成されており、セミナルな作品から漸進的な進歩、新たな方向性までの研究の進化を捉えている。
• 参考スコア（独自算出の注目度）: 0.8004597666699036
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large language models (LLMs) are increasingly adopted for automating survey paper generation \cite{wang2406autosurvey, liang2025surveyx, yan2025surveyforge,su2025benchmarking,wen2025interactivesurvey}. Existing approaches typically extract content from a large collection of related papers and prompt LLMs to summarize them directly. However, such methods often overlook the structural relationships among papers, resulting in generated surveys that lack a coherent taxonomy and a deeper contextual understanding of research progress. To address these shortcomings, we propose \textbf{SurveyG}, an LLM-based agent framework that integrates \textit{hierarchical citation graph}, where nodes denote research papers and edges capture both citation dependencies and semantic relatedness between their contents, thereby embedding structural and contextual knowledge into the survey generation process. The graph is organized into three layers: \textbf{Foundation}, \textbf{Development}, and \textbf{Frontier}, to capture the evolution of research from seminal works to incremental advances and emerging directions. By combining horizontal search within layers and vertical depth traversal across layers, the agent produces multi-level summaries, which are consolidated into a structured survey outline. A multi-agent validation stage then ensures consistency, coverage, and factual accuracy in generating the final survey. Experiments, including evaluations by human experts and LLM-as-a-judge, demonstrate that SurveyG outperforms state-of-the-art frameworks, producing surveys that are more comprehensive and better structured to the underlying knowledge taxonomy of a field.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、調査用紙生成の自動化にますます採用されている。 既存のアプローチでは、典型的には関連論文の集合からコンテンツを抽出し、LSMにそれらを直接要約するよう促す。 しかし、このような手法は論文間の構造的関係を見落とし、一貫性のある分類法が欠如し、研究の進展の文脈的理解が深まるような調査を生んだ。 これらの欠点に対処するため, ノードは研究論文とエッジを表わし, コンテンツ間の係り受け関係と意味的関連性の両方を捉え, 構造的および文脈的知識を調査生成プロセスに埋め込む, LLM ベースのエージェントフレームワークである \textbf{SurveyG} を提案する。 グラフは3つの層に分けられる: \textbf{Foundation}, \textbf{Development}, \textbf{Frontier} 。 層内水平探索と層間垂直深度トラバーサルを組み合わせることで,多層要約を生成し,構造化されたサーベイアウトラインに統合する。 マルチエージェント検証ステージは、最終調査を生成する際の一貫性、カバレッジ、事実的正確性を保証する。 人間の専門家やLSM-as-a-judgeによる評価を含む実験では、サーベイGが最先端のフレームワークより優れており、より包括的で、基礎となる分野の知識分類により良い構造を持つ調査が作成されている。

関連論文リスト

• Context-Aware Hierarchical Taxonomy Generation for Scientific Papers via LLM-Guided Multi-Aspect Clustering [59.54662810933882]
  既存の分類体系の構築手法は、教師なしクラスタリングや大きな言語モデルの直接的プロンプトを利用しており、コヒーレンスと粒度の欠如が多かった。 LLM誘導型マルチアスペクト符号化と動的クラスタリングを統合したコンテキスト対応階層型階層型分類生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-23T15:12:58Z)
• Meow: End-to-End Outline Writing for Automatic Academic Survey [24.749855249116802]
  組織的かつ忠実なアウトラインを効率的に生成するフレームワークであるMeowを提案する。 まず、紙のメタデータから階層的なアウトラインを生成するエンドツーエンドのタスクとして、アウトラインを定式化する。 次に、arXiv、bioRxiv、medRxivからの高品質な調査データセットをキュレートし、アウトライン品質評価のための体系的な評価指標を確立する。
  論文  参考訳（メタデータ） (2025-09-19T07:20:53Z)
• SurveyGen-I: Consistent Scientific Survey Generation with Evolving Plans and Memory-Guided Writing [4.1851807186568735]
  SurveyGen-Iは、粗大な検索、適応計画、メモリ誘導生成を組み合わせた自動サーベイ生成フレームワークである。 4つの科学的領域にわたる実験では、SurveyGen-Iはコンテンツ品質、一貫性、引用カバレッジにおいて、従来よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-08-20T00:03:46Z)
• Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering [49.43814054718318]
  マルチホップ質問応答 (MHQA) は、正しい回答を得るために複数の経路に散在する知識を統合する必要がある。 従来の検索拡張生成法(RAG)は主に粗い粒度のテキスト意味的類似性に焦点を当てている。 本稿では,HGRAG for MHQAという新しいRAG手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T06:36:13Z)
• HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
  HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。 システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
  論文  参考訳（メタデータ） (2025-08-01T20:30:42Z)
• TrustRAG: An Information Assistant with Retrieval Augmented Generation [73.84864898280719]
  TrustRAGは、インデックス付け、検索、生成という3つの視点から、acRAGを強化する新しいフレームワークである。 我々はTrustRAGフレームワークをオープンソース化し、抜粋ベースの質問応答タスク用に設計されたデモスタジオを提供する。
  論文  参考訳（メタデータ） (2025-02-19T13:45:27Z)
• Context-Aware Hierarchical Merging for Long Document Summarization [56.96619074316232]
  本論文では,階層的なマージをソース文書からコンテキストと統合する手法を提案する。 法的および物語的領域を表すデータセットの実験結果は、文脈的拡張がゼロショットと階層的な融合ベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-02-03T01:14:31Z)
• Taxonomy Tree Generation from Citation Graph [15.188580557890942]
  HiGTLは、人為的な指示や好みのトピックによってガイドされる、新しいエンドツーエンドフレームワークである。 我々は,各クラスタに中心的な概念を反復的に生成する,新しい分類ノード言語化戦略を開発した。 実験により、HiGTLはコヒーレントで高品質な概念を効果的に生成することが示された。
  論文  参考訳（メタデータ） (2024-10-02T13:02:03Z)
• BASS: Boosting Abstractive Summarization with Unified Semantic Graph [49.48925904426591]
  BASSは、統合されたセマンティックグラフに基づく抽象的な要約を促進するためのフレームワークである。 文書表現と要約生成の両方を改善するために,グラフベースのエンコーダデコーダモデルを提案する。 実験結果から,提案アーキテクチャは長期文書および複数文書要約タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2021-05-25T16:20:48Z)

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。