論文の概要: Right Answer at the Right Time - Temporal Retrieval-Augmented Generation via Graph Summarization

• arxiv url: http://arxiv.org/abs/2510.16715v1
• Date: Sun, 19 Oct 2025 05:00:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.107696
• Title: Right Answer at the Right Time - Temporal Retrieval-Augmented Generation via Graph Summarization
• Title（参考訳）: グラフ要約による時間的検索・拡張生成の右解法
• Authors: Zulun Zhu, Haoyu Liu, Mengke He, Siqiang Luo,
• Abstract要約: 時間的知識グラフの質問応答には、時間的一貫性と効率的な検索が必要である。 時間整合ルールグラフの構築と,探索空間を狭めるために,このグラフ上での伝搬を行うという,2つの重要なアイデアに依存した時間的グラフRAGフレームワークSTAR-RAGを提案する。 この設計は、検索中に時間的近接を強制し、検索結果の候補セットを減らし、精度を犠牲にすることなくトークン消費を減少させる。
• 参考スコア（独自算出の注目度）: 23.1799368651364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Question answering in temporal knowledge graphs requires retrieval that is both time-consistent and efficient. Existing RAG methods are largely semantic and typically neglect explicit temporal constraints, which leads to time-inconsistent answers and inflated token usage. We propose STAR-RAG, a temporal GraphRAG framework that relies on two key ideas: building a time-aligned rule graph and conducting propagation on this graph to narrow the search space and prioritize semantically relevant, time-consistent evidence. This design enforces temporal proximity during retrieval, reduces the candidate set of retrieval results, and lowers token consumption without sacrificing accuracy. Compared with existing temporal RAG approaches, STAR-RAG eliminates the need for heavy model training and fine-tuning, thereby reducing computational cost and significantly simplifying deployment.Extensive experiments on real-world temporal KG datasets show that our method achieves improved answer accuracy while consuming fewer tokens than strong GraphRAG baselines.
• Abstract（参考訳）: 時間的知識グラフの質問応答には、時間的一貫性と効率的な検索が必要である。 既存のRAGメソッドは、主に意味論的であり、通常明示的な時間的制約を無視する。 時間整合性ルールグラフの構築と,このグラフ上での伝搬により,検索空間を狭め,意味論的に関連性のある時間整合性証拠を優先する,2つの主要なアイデアを基盤とする時間的グラフRAGフレームワークSTAR-RAGを提案する。 この設計は、検索中に時間的近接を強制し、検索結果の候補セットを減らし、精度を犠牲にすることなくトークン消費を減少させる。 従来の時間的RAG手法と比較して,STAR-RAGは重モデルトレーニングや微調整の必要性を排除し,計算コストを削減し,展開を大幅に単純化する。

関連論文リスト

• RAG Meets Temporal Graphs: Time-Sensitive Modeling and Retrieval for Evolving Knowledge [12.898085044538433]
  知識は本質的に時間に敏感であり、時間とともに継続的に進化する。 現在のRetrieval-Augmented Generation (RAG) システムは、この時間的性質をほとんど無視している。 本稿では,2段階の時間グラフとして外部コーパスをモデル化したテンポラルグラフRAG(TG-RAG)を提案する。
  論文  参考訳（メタデータ） (2025-10-15T14:21:08Z)
• You Don't Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures [16.867592142212203]
  大型言語モデル(LLM)はしばしば幻覚に悩まされ、知識を超えた質問を処理する際に、事実的に誤った文を生成する。 Retrieval-augmented Generation (RAG)は、LLM推論をサポートするために、知識ベースからクエリ関連コンテキストを取得することで、この問題に対処する。 既存のGraphベースのRAGメソッドは、コーパスをグラフに変換するためのコストの高いプロセスに依存しており、圧倒的なトークンコストとアップデートのレイテンシを導入している。 本稿では,推論時に推論構造を動的に抽出し,事前に構築したグラフを使わずに適応検索を誘導するLogicRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-08T08:07:40Z)
• T-GRAG: A Dynamic GraphRAG Framework for Resolving Temporal Conflicts and Redundancy in Knowledge Retrieval [4.114480531154174]
  本稿では,時間とともに知識の進化をモデル化する動的時間認識RAGフレームワークであるT-GRAGを提案する。 T-GRAGは、(1)時間スタンプで進化するグラフ構造を生成するテンポラル知識グラフ生成装置、(2)複雑な時間的クエリを管理可能なサブクエリに分解するテンポラルクエリ分解機構、(3)時間的サブグラフ間の検索を段階的にフィルタリングし洗練する3層インタラクティブレトリバーからなる。 T-GRAGは検索精度と応答性の両方において,RAGおよびGraphRAGベースラインよりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-08-03T09:15:36Z)
• DyG-RAG: Dynamic Graph Retrieval-Augmented Generation with Event-Centric Reasoning [38.28580037356542]
  イベント中心の動的グラフ検索拡張生成フレームワークであるDyG-RAGを紹介する。 DyG-RAGは、非構造化テキストに埋め込まれた時間的知識を捕捉し、推論するために、動的イベントユニット(DEU)を提案する。 時間的に一貫した生成を保証するため、DyG-RAGはイベントタイムライン検索パイプラインを導入した。
  論文  参考訳（メタデータ） (2025-07-16T10:22:35Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)

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。