論文の概要: Can Knowledge-Graph-based Retrieval Augmented Generation Really Retrieve What You Need?

• arxiv url: http://arxiv.org/abs/2510.16582v1
• Date: Sat, 18 Oct 2025 17:06:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.049909
• Title: Can Knowledge-Graph-based Retrieval Augmented Generation Really Retrieve What You Need?
• Title（参考訳）: 知識グラフに基づく検索生成は本当に必要なものを検索できるか?
• Authors: Junchi Yu, Yujie Liu, Jindong Gu, Philip Torr, Dongzhan Zhou,
• Abstract要約: GraphFlowは、テキストリッチなKGから現実世界のクエリに必要な正確で多様な知識を効率的に取得するフレームワークである。 GPT-4oを含む強力なKG-RAGベースラインを10%上回り、ヒット率とリコール率で上回る。 また、KGを見えないものに強く一般化し、その有効性と堅牢性を示す。
• 参考スコア（独自算出の注目度）: 57.28763506780752
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) based on knowledge graphs (KGs) enhances large language models (LLMs) by providing structured and interpretable external knowledge. However, existing KG-based RAG methods struggle to retrieve accurate and diverse information from text-rich KGs for complex real-world queries. Process Reward Models (PRMs) offer a way to align the retrieval process of KG-based RAG with query-specific knowledge requirements, but they heavily rely on process-level supervision signals that are expensive and hard to obtain on KGs. To address this challenge, we propose GraphFlow, a framework that efficiently retrieves accurate and diverse knowledge required for real-world queries from text-rich KGs. GraphFlow employs a transition-based flow matching objective to jointly optimize a retrieval policy and a flow estimator. The flow estimator factorizes the reward of the retrieval outcome into the intermediate retrieval states. Such reward factorization guides the retrieval policy to retrieve candidates from KGs in proportion to their reward. This allows GraphFlow to explore high-quality regions of KGs that yield diverse and relevant results. We evaluate GraphFlow on the STaRK benchmark, which includes real-world queries from multiple domains over text-rich KGs. GraphFlow outperforms strong KG-RAG baselines, including GPT-4o, by 10% on average in hit rate and recall. It also shows strong generalization to unseen KGs, demonstrating its effectiveness and robustness.
• Abstract（参考訳）: 知識グラフ(KG)に基づく検索拡張生成(RAG)は、構造化および解釈可能な外部知識を提供することで、大規模言語モデル(LLM)を強化する。 しかし、既存のKGベースのRAG手法は、複雑な実世界のクエリに対してテキストリッチなKGから正確で多様な情報を取得するのに苦労している。 Process Reward Models (PRMs) は、KGベースのRAGの検索プロセスをクエリ固有の知識要求と整合させる手段を提供するが、それらはKGに対して高価で入手が難しいプロセスレベルの監視信号に大きく依存している。 この課題に対処するために、テキストリッチなKGから現実世界のクエリに必要な正確で多様な知識を効率的に取得するフレームワークであるGraphFlowを提案する。 GraphFlowは、検索ポリシーとフロー推定器を協調的に最適化するために、トランジションベースのフローマッチングの目的を採用している。 フロー推定器は、検索結果の報酬を中間検索状態に分解する。 このような報酬因数分解は、その報酬に比例して、KGsから候補者を検索する検索ポリシーを導く。 これにより、GraphFlowは、多種多様な関連する結果をもたらすKGの高品質な領域を探索することができる。 テキストリッチなKG上の複数のドメインからの実際のクエリを含むSTaRKベンチマークでGraphFlowを評価する。 GraphFlowは、GPT-4oを含む強力なKG-RAGベースラインを、ヒット率とリコールの平均で10%上回る。 また、KGを見えないものに強く一般化し、その有効性と堅牢性を示す。

関連論文リスト

• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• KG-CQR: Leveraging Structured Relation Representations in Knowledge Graphs for Contextual Query Retrieval [5.263064605350636]
  我々は、コンテキストクエリ検索(CQR)のための新しいフレームワークであるKG-CQRを提案する。 KG-CQRは、構造化された関係表現によるクエリエンリッチメントに焦点を当て、関連するKGサブグラフを抽出して、セマンティックにリッチなクエリコンテキストを生成する。 RAGBenchとMultiHop-RAGデータセットの実験結果は、KG-CQRの優れたパフォーマンスを示し、mAPが4-6%改善され、強力なベースラインモデルよりもRecall@25が2-3%改善された。
  論文  参考訳（メタデータ） (2025-08-28T04:37:15Z)
• BYOKG-RAG: Multi-Strategy Graph Retrieval for Knowledge Graph Question Answering [38.3732958942896]
  BYOKG-RAGは知識グラフ質問応答を強化するフレームワークである。 LLM(Large Language Model)エージェントと特殊なグラフ検索ツールを組み合わせる。 異なるグラフツールからコンテキストを取得することで、BYOKG-RAGはカスタムKGよりもより汎用的で堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-07-05T18:47:14Z)
• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
  我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• Learning Federated Neural Graph Databases for Answering Complex Queries from Distributed Knowledge Graphs [53.03085605769093]
  我々は、マルチソースグラフデータに対するプライバシ保護推論を促進する先駆的な体系的フレームワークであるFederated Neural Graph DataBase(FedNGDB)を学習することを提案する。 FedNGDBは、フェデレートされた学習を活用して、複数のソースにわたるグラフ表現を協調的に学習し、エンティティ間の関係を強化し、グラフデータの全体的な品質を改善する。
  論文  参考訳（メタデータ） (2024-02-22T14:57:44Z)

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。