論文の概要: EcphoryRAG: Re-Imagining Knowledge-Graph RAG via Human Associative Memory

• arxiv url: http://arxiv.org/abs/2510.08958v1
• Date: Fri, 10 Oct 2025 03:07:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 04:53:46.919303
• Title: EcphoryRAG: Re-Imagining Knowledge-Graph RAG via Human Associative Memory
• Title（参考訳）: EcphoryRAG:人間の連想記憶による知識グラフRAGの再認識
• Authors: Zirui Liao,
• Abstract要約: 本稿では,エンティティ中心の知識グラフRAGフレームワークであるEcphoryRAGを紹介する。 インデックス作成中、EcphoryRAGは対応するメタデータを持つコアエンティティのみを抽出し、格納する。 検索には、まずクエリからキューエンティティを抽出し、スケーラブルなマルチホップ連想検索を実行する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cognitive neuroscience research indicates that humans leverage cues to activate entity-centered memory traces (engrams) for complex, multi-hop recollection. Inspired by this mechanism, we introduce EcphoryRAG, an entity-centric knowledge graph RAG framework. During indexing, EcphoryRAG extracts and stores only core entities with corresponding metadata, a lightweight approach that reduces token consumption by up to 94\% compared to other structured RAG systems. For retrieval, the system first extracts cue entities from queries, then performs a scalable multi-hop associative search across the knowledge graph. Crucially, EcphoryRAG dynamically infers implicit relations between entities to populate context, enabling deep reasoning without exhaustive pre-enumeration of relationships. Extensive evaluations on the 2WikiMultiHop, HotpotQA, and MuSiQue benchmarks demonstrate that EcphoryRAG sets a new state-of-the-art, improving the average Exact Match (EM) score from 0.392 to 0.474 over strong KG-RAG methods like HippoRAG. These results validate the efficacy of the entity-cue-multi-hop retrieval paradigm for complex question answering.
• Abstract（参考訳）: 認知神経科学の研究は、人間は複雑なマルチホップの再現のために、クエスを利用してエンティティ中心のメモリトレース(engrams)を活性化することを示している。 本稿では,エンティティ中心の知識グラフRAGフレームワークであるEcphoryRAGを紹介する。 インデックス作成中、EcphoryRAGは対応するメタデータを持つコアエンティティのみを抽出し、格納する。 検索には、まずクエリからキューエンティティを抽出し、その後、知識グラフをまたいだスケーラブルなマルチホップ連想検索を実行する。 重要なことは、EcphoryRAGは実体間の暗黙の関係を動的に推論し、関係を包括的に列挙することなく深い推論を可能にする。 2WikiMultiHop、HotpotQA、MuSiQueのベンチマークによる大規模な評価では、EcphoryRAGはHippoRAGのような強力なKG-RAGメソッドよりも平均的なエクサクトマッチ(EM)スコアを0.392から0.474に改善した。 これらの結果は,複雑な質問応答に対するエンティティキュー・マルチホップ検索パラダイムの有効性を検証した。

関連論文リスト

• Understand Then Memory: A Cognitive Gist-Driven RAG Framework with Global Semantic Diffusion [14.538534837583931]
  Retrieval-Augmented Generation (RAG)は、外部知識を取り入れることで、LLMの幻覚を効果的に緩和する。 本稿では,認知記憶過程をシミュレートするRAGフレームワークであるCogitoRAGを提案する。 CogitoRAGは最先端のRAG手法よりも優れており、複雑な知識の統合や推論において優れた能力を示している。
  論文  参考訳（メタデータ） (2026-02-11T12:58:08Z)
• IGMiRAG: Intuition-Guided Retrieval-Augmented Generation with Adaptive Mining of In-Depth Memory [33.00642870872058]
  Retrieval-augmented Generation (RAG)は、信頼性の高い知識メモリを備えた大規模言語モデルである。 近年の研究では、グラフとハイパーグラフをRAGに統合し、構造化リンクとしてペアとマルチエンタリティの関係を捉えている。 我々は人間の直観誘導推論に触発されたIGMiRAGを提案する。
  論文  参考訳（メタデータ） (2026-02-07T12:42:31Z)
• Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
  グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-23T05:41:05Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• 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)
• Query-Centric Graph Retrieval Augmented Generation [15.423162448800134]
  QCG-RAGはクエリ中心のグラフRAGフレームワークで、クエリ粒度インデックスとマルチホップチャンク検索を可能にする。 LiHuaWorldとMultiHop-RAGの実験では、QCG-RAGは問合せ精度において、チャンクベースおよびグラフベースのRAG法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-09-25T14:35:44Z)
• A Query-Aware Multi-Path Knowledge Graph Fusion Approach for Enhancing Retrieval-Augmented Generation in Large Language Models [3.0748861313823]
  QMKGFはクエリ対応マルチパス知識グラフフュージョンアプローチであり、検索拡張生成を促進する。 我々はプロンプトテンプレートを設計し、汎用LLMを用いてエンティティや関係を抽出する。 本稿では, ワンホップ関係, マルチホップ関係, 重要度に基づく関係を組み込んだマルチパスサブグラフ構築戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-07T02:22:54Z)
• 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)
• Knowledge Graph-Guided Retrieval Augmented Generation [34.83235788116369]
  本稿では,知識グラフを用いた検索検索生成フレームワークを提案する。 KG$2$RAGは、チャンク間の事実レベルの関係を提供し、得られた結果の多様性と一貫性を改善する。
  論文  参考訳（メタデータ） (2025-02-08T02:14:31Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  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)
• SiReRAG: Indexing Similar and Related Information for Multihop Reasoning [96.60045548116584]
  SiReRAGは、類似情報と関連する情報の両方を明示的に考慮する新しいRAGインデックス方式である。 SiReRAGは、3つのマルチホップデータセットの最先端インデックス手法を一貫して上回る。
  論文  参考訳（メタデータ） (2024-12-09T04:56:43Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)

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。