論文の概要: Multi-Agent GraphRAG: A Text-to-Cypher Framework for Labeled Property Graphs

• arxiv url: http://arxiv.org/abs/2511.08274v1
• Date: Wed, 12 Nov 2025 01:49:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.731814
• Title: Multi-Agent GraphRAG: A Text-to-Cypher Framework for Labeled Property Graphs
• Title（参考訳）: Multi-Agent GraphRAG: ラベル付きプロパティグラフのためのテキストからCypherフレームワーク
• Authors: Anton Gusarov, Anastasia Volkova, Valentin Khrulkov, Andrey Kuznetsov, Evgenii Maslov, Ivan Oseledets,
• Abstract要約: Multi-Agent GraphRAGはLPGベースのグラフデータに対する自然言語インタフェースとして機能する。 繰り返しコンテンツ認識の修正と正規化は、集約されたフィードバックループによって強化され、生成されたクエリのセマンティックおよび構文的改善の両方を保証する。 このことは、このようなアプローチがAIを大規模に現実世界のアプリケーションにブリッジする方法を強調し、産業用デジタル自動化のユースケースを可能にしている。
• 参考スコア（独自算出の注目度）: 7.943264761730892
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While Retrieval-Augmented Generation (RAG) methods commonly draw information from unstructured documents, the emerging paradigm of GraphRAG aims to leverage structured data such as knowledge graphs. Most existing GraphRAG efforts focus on Resource Description Framework (RDF) knowledge graphs, relying on triple representations and SPARQL queries. However, the potential of Cypher and Labeled Property Graph (LPG) databases to serve as scalable and effective reasoning engines within GraphRAG pipelines remains underexplored in current research literature. To fill this gap, we propose Multi-Agent GraphRAG, a modular LLM agentic system for text-to-Cypher query generation serving as a natural language interface to LPG-based graph data. Our proof-of-concept system features an LLM-based workflow for automated Cypher queries generation and execution, using Memgraph as the graph database backend. Iterative content-aware correction and normalization, reinforced by an aggregated feedback loop, ensures both semantic and syntactic refinement of generated queries. We evaluate our system on the CypherBench graph dataset covering several general domains with diverse types of queries. In addition, we demonstrate performance of the proposed workflow on a property graph derived from the IFC (Industry Foundation Classes) data, representing a digital twin of a building. This highlights how such an approach can bridge AI with real-world applications at scale, enabling industrial digital automation use cases.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) 法は非構造化文書から情報を引き出すのが一般的であるが、GraphRAGの新たなパラダイムは知識グラフのような構造化データを活用することを目的としている。 既存のGraphRAGの取り組みのほとんどは、トリプル表現とSPARQLクエリに依存する、Resource Description Framework(RDF)ナレッジグラフに重点を置いている。 しかし、Cypher and Labeled Property Graph (LPG)データベースがGraphRAGパイプライン内でスケーラブルで効果的な推論エンジンとして機能する可能性については、現在の研究文献では未定である。 このギャップを埋めるために、LPGベースのグラフデータに対する自然言語インタフェースとして機能するテキストから暗号へのクエリ生成のためのモジュール型LLMエージェントシステムであるMulti-Agent GraphRAGを提案する。 我々の概念実証システムは,グラフデータベースバックエンドとしてMemgraphを用いて,Cypherクエリの自動生成と実行のためのLLMベースのワークフローを備えている。 繰り返しコンテンツ認識の修正と正規化は、集約されたフィードバックループによって強化され、生成されたクエリのセマンティックおよび構文的改善の両方を保証する。 我々はCypherBenchグラフデータセットを用いて,クエリの種類が多様である複数の汎用ドメインを網羅したシステムの評価を行った。 さらに,IFC(Industry Foundation Classes)データから派生したプロパティグラフ上で,建物のディジタルツインを表現したワークフローの性能を示す。 このことは、このようなアプローチがAIを大規模に現実世界のアプリケーションにブリッジする方法を強調し、産業用デジタル自動化のユースケースを可能にしている。

関連論文リスト

• XGraphRAG: Interactive Visual Analysis for Graph-based Retrieval-Augmented Generation [16.068460356582648]
  本研究では、RAG開発者がGraphRAGの重要なリコールを特定するのに役立つ視覚分析フレームワークを提案する。 我々は,ユーザ分析プロセスを容易にするために,インタラクティブな視覚化のセットを取り入れたプロトタイプシステムであるXGraphRAGを開発した。
  論文  参考訳（メタデータ） (2025-06-10T09:14:30Z)
• When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation [31.930889441883732]
  グラフ検索強化世代(GraphRAG)は、外部知識で大規模言語モデル(LLM)を拡張するための強力なパラダイムとして登場した。 最近の研究では、GraphRAGは多くの現実世界のタスクにおいてバニラRAGを過小評価している。 GraphRAGは本当に有効か、グラフ構造がRAGシステムに測定可能なメリットを提供するシナリオは存在するのか?
  論文  参考訳（メタデータ） (2025-06-06T02:37:47Z)
• 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)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• RAG vs. GraphRAG: A Systematic Evaluation and Key Insights [53.83444096699458]
  我々は,テキストベースベンチマークを用いて,検索型拡張生成(RAG)とグラフRAGを体系的に評価する。 本結果は,RAGとGraphRAGの異なる課題と評価の観点から,それぞれ異なる強みを浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-02-17T02:36:30Z)
• Retrieval-Augmented Generation with Graphs (GraphRAG) [84.29507404866257]
  Retrieval-augmented Generation (RAG) は、追加情報を取得することによって下流タスクの実行を向上させる強力な技術である。 グラフは、その固有の「エッジで接続されたノード」の性質により、巨大な異種情報と関係情報を符号化する。 従来のRAGとは異なり、多種多様な形式とドメイン固有の関係知識のようなグラフ構造化データのユニークさは、異なるドメインでGraphRAGを設計する際、ユニークで重要な課題を生じさせる。
  論文  参考訳（メタデータ） (2024-12-31T06:59:35Z)
• Graph Retrieval-Augmented Generation: A Survey [28.979898837538958]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の課題に再トレーニングを必要とせずに対処することに成功した。 本稿では,GraphRAGの方法論について概観する。 Graph-Based Indexing、Graph-Guided Retrieval、Graph-Enhanced Generationを含むGraphRAGワークフローを形式化する。
  論文  参考訳（メタデータ） (2024-08-15T12:20:24Z)
• Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
  複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。 ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
  論文  参考訳（メタデータ） (2023-03-26T04:03:37Z)

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。