論文の概要: PRoH: Dynamic Planning and Reasoning over Knowledge Hypergraphs for Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2510.12434v1
• Date: Tue, 14 Oct 2025 12:13:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.308542
• Title: PRoH: Dynamic Planning and Reasoning over Knowledge Hypergraphs for Retrieval-Augmented Generation
• Title（参考訳）: PRoH:Retrieval-Augmented Generationのための知識ハイパーグラフの動的計画と推論
• Authors: Xiangjun Zai, Xingyu Tan, Xiaoyang Wang, Qing Liu, Xiwei Xu, Wenjie Zhang,
• Abstract要約: 本稿では,知識ハイパーグラフフレームワーク上での動的計画と推論を行うPRoHを提案する。 PRoHは3つの中核的なイノベーションを取り入れている: (i) 局所的なKH地区をスケッチして構造的基盤を持つ推論計画生成をガイドするコンテキスト対応計画モジュール; (ii) 動的に進化するダイレクトアサイクリックグラフ(DAG)としてサブクエストを組織する構造化された質問分解プロセス。 複数の領域にわたる実験により、PRoHは最先端のパフォーマンスを達成し、以前のSOTAモデルであるHyperGraphRAGを平均19.73%、生成評価(G-E)スコア8.41%上回った。
• 参考スコア（独自算出の注目度）: 13.844213951166026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Hypergraphs (KHs) have recently emerged as a knowledge representation for retrieval-augmented generation (RAG), offering a paradigm to model multi-entity relations into a structured form. However, existing KH-based RAG methods suffer from three major limitations: static retrieval planning, non-adaptive retrieval execution, and superficial use of KH structure and semantics, which constrain their ability to perform effective multi-hop question answering. To overcome these limitations, we propose PRoH, a dynamic Planning and Reasoning over Knowledge Hypergraphs framework. PRoH incorporates three core innovations: (i) a context-aware planning module that sketches the local KH neighborhood to guide structurally grounded reasoning plan generation; (ii) a structured question decomposition process that organizes subquestions as a dynamically evolving Directed Acyclic Graph (DAG) to enable adaptive, multi-trajectory exploration; and (iii) an Entity-Weighted Overlap (EWO)-guided reasoning path retrieval algorithm that prioritizes semantically coherent hyperedge traversals. Experiments across multiple domains demonstrate that PRoH achieves state-of-the-art performance, surpassing the prior SOTA model HyperGraphRAG by an average of 19.73% in F1 and 8.41% in Generation Evaluation (G-E) score, while maintaining strong robustness in long-range multi-hop reasoning tasks.
• Abstract（参考訳）: 知識ハイパーグラフ(KHs)は、最近、検索強化世代(RAG)の知識表現として登場し、多義性関係を構造化形式にモデル化するためのパラダイムを提供する。 しかし、既存のKHベースのRAG手法には、静的検索計画、非適応検索実行、KH構造とセマンティクスの表層利用の3つの大きな制限がある。 これらの制約を克服するために,知識ハイパーグラフフレームワーク上での動的計画と推論を行うPRoHを提案する。 PRoHは3つのコアイノベーションを取り入れている。 一 地域KH地区をスケッチして構造的根拠に基づく推論計画作成を指導する文脈対応計画モジュール 2 適応的多軌道探索を可能にするために動的に進化するDAG(Directed Acyclic Graph)としてサブクエストを整理する構造化質問分解プロセス (iii) 意味的コヒーレントなハイパーエッジトラバーサルを優先するEntity-Weighted Overlap (EWO)誘導推論経路探索アルゴリズム。 複数の領域にわたる実験により、PRoHは最先端のパフォーマンスを達成し、従来のSOTAモデルであるHyperGraphRAGを平均19.73%、ジェネレーション評価(G-E)スコア8.41%上回った。

関連論文リスト

• LeanRAG: Knowledge-Graph-Based Generation with Semantic Aggregation and Hierarchical Retrieval [10.566901995776025]
  LeanRAGは知識集約と検索戦略を組み合わせたフレームワークです。 グラフ上のパス検索に関連するかなりのオーバーヘッドを軽減し、冗長な情報検索を最小限にする。
  論文  参考訳（メタデータ） (2025-08-14T06:47:18Z)
• HIRAG: Hierarchical-Thought Instruction-Tuning Retrieval-Augmented Generation [16.201341932327036]
  我々は、新しいRAG命令微調整手法、階層型命令-調整型検索生成(HIRAG)を導入する。 この方法は,多段階のプログレッシブ・チェーン・オブ・シントを利用して,モデルのオープンブック検査能力を向上させる。 実験によると、HIRAGトレーニング戦略は、RGB、PopQA、MuSiQue、HotpotQA、PubmedQAといったデータセット上でのモデルのパフォーマンスを大幅に改善する。
  論文  参考訳（メタデータ） (2025-07-08T06:53:28Z)
• 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)
• 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)
• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)

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。