論文の概要: Graph-Guided Concept Selection for Efficient Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2510.24120v1
• Date: Tue, 28 Oct 2025 06:47:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.819474
• Title: Graph-Guided Concept Selection for Efficient Retrieval-Augmented Generation
• Title（参考訳）: 効率的な検索拡張生成のためのグラフガイド型概念選択
• Authors: Ziyu Liu, Yijing Liu, Jianfei Yuan, Minzhi Yan, Le Yue, Honghui Xiong, Yi Yang,
• Abstract要約: グラフベースのRAGは、テキストチャンクから知識グラフ(KG)を構築し、Large Language Model(LLM)ベースの質問応答における検索を強化する。 バイオメディシン、法学、政治学などの分野では特に有益であり、事実上の検索はプロプライエタリな文書に対するマルチホップ推論を伴うことが多い。
• 参考スコア（独自算出の注目度）: 10.905519077035956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based RAG constructs a knowledge graph (KG) from text chunks to enhance retrieval in Large Language Model (LLM)-based question answering. It is especially beneficial in domains such as biomedicine, law, and political science, where effective retrieval often involves multi-hop reasoning over proprietary documents. However, these methods demand numerous LLM calls to extract entities and relations from text chunks, incurring prohibitive costs at scale. Through a carefully designed ablation study, we observe that certain words (termed concepts) and their associated documents are more important. Based on this insight, we propose Graph-Guided Concept Selection (G2ConS). Its core comprises a chunk selection method and an LLM-independent concept graph. The former selects salient document chunks to reduce KG construction costs; the latter closes knowledge gaps introduced by chunk selection at zero cost. Evaluations on multiple real-world datasets show that G2ConS outperforms all baselines in construction cost, retrieval effectiveness, and answering quality.
• Abstract（参考訳）: グラフベースのRAGは、テキストチャンクから知識グラフ(KG)を構築し、Large Language Model(LLM)ベースの質問応答における検索を強化する。 バイオメディシン、法学、政治学などの分野では特に有益であり、事実上の検索は、プロプライエタリな文書に対するマルチホップ推論を伴うことが多い。 しかし、これらの手法は、テキストチャンクからエンティティや関係を抽出するために多くのLCMコールを必要とし、大規模に禁止コストを発生させる。 慎重に設計されたアブレーション研究を通じて、ある単語(終端概念)とその関連文書がより重要であることを観察する。 この知見に基づき,G2ConS(Graph-Guided Concept Selection)を提案する。 コアはチャンク選択法とLCMに依存しない概念グラフから構成される。 前者は、KG構築コストを削減するために有能な文書チャンクを選択し、後者は、チャンク選択による知識ギャップをゼロコストで閉じる。 複数の実世界のデータセットで評価したところ、G2ConSは建設コスト、検索効率、回答品質において全てのベースラインを上回っている。

関連論文リスト

• 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)
• 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)
• 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)
• GraphRAFT: Retrieval Augmented Fine-Tuning for Knowledge Graphs on Graph Databases [0.0]
  GraphRAFTは、LCMを微調整して、確実に正しいCypherクエリを生成する、検索と推論のためのフレームワークである。 本手法は,自然グラフDBに格納された知識グラフを用いて,棚から取り出すことができる最初の方法である。
  論文  参考訳（メタデータ） (2025-04-07T20:16:22Z)
• KET-RAG: A Cost-Efficient Multi-Granular Indexing Framework for Graph-RAG [21.62060252772377]
  Graph-RAGは、Large Language Model (LLM)ベースの質問応答における検索を改善するために、テキストチャンクから知識グラフを構築する。 既存のGraph-RAGシステムでは、テキストチャンクの関連性に基づいてKNNグラフを構築しているが、この粗い粒度のアプローチでは、テキスト内のエンティティ関係をキャプチャできない。 KET-RAGは,インデクシングコストを低減しつつ,良好な結果の精度を確保するための多粒性インデックスフレームワークである。
  論文  参考訳（メタデータ） (2025-02-13T13:16:16Z)
• 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)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Deep Bidirectional Language-Knowledge Graph Pretraining [159.9645181522436]
  DRAGONは、テキストとKGを大規模に融合した言語知識基盤モデルを事前学習するための自己教師型アプローチである。 我々のモデルは、入力としてテキストセグメントと関連するKGサブグラフのペアを取り、両モードから情報を双方向に融合する。
  論文  参考訳（メタデータ） (2022-10-17T18:02:52Z)

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。