論文の概要: NeuroPath: Neurobiology-Inspired Path Tracking and Reflection for Semantically Coherent Retrieval

• arxiv url: http://arxiv.org/abs/2511.14096v1
• Date: Tue, 18 Nov 2025 03:28:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.907145
• Title: NeuroPath: Neurobiology-Inspired Path Tracking and Reflection for Semantically Coherent Retrieval
• Title（参考訳）: NeuroPath: 神経生物学にインスパイアされた経路追跡とセマンティック・コヒーレント検索のための反射
• Authors: Junchen Li, Rongzheng Wang, Yihong Huang, Qizhi Chen, Jiasheng Zhang, Shuang Liang,
• Abstract要約: NeuroPathは、神経生物学における位置細胞のナビゲーション計画にインスパイアされた意味経路追跡RAGフレームワークである。 3つのマルチホップQAデータセットの現在の最先端ベースラインを超えている。 NeuroPathはより高い精度を実現し、トークン消費を22.8%削減する。
• 参考スコア（独自算出の注目度）: 11.73701315770174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-augmented generation (RAG) greatly enhances large language models (LLMs) performance in knowledge-intensive tasks. However, naive RAG methods struggle with multi-hop question answering due to their limited capacity to capture complex dependencies across documents. Recent studies employ graph-based RAG to capture document connections. However, these approaches often result in a loss of semantic coherence and introduce irrelevant noise during node matching and subgraph construction. To address these limitations, we propose NeuroPath, an LLM-driven semantic path tracking RAG framework inspired by the path navigational planning of place cells in neurobiology. It consists of two steps: Dynamic Path Tracking and Post-retrieval Completion. Dynamic Path Tracking performs goal-directed semantic path tracking and pruning over the constructed knowledge graph (KG), improving noise reduction and semantic coherence. Post-retrieval Completion further reinforces these benefits by conducting second-stage retrieval using intermediate reasoning and the original query to refine the query goal and complete missing information in the reasoning path. NeuroPath surpasses current state-of-the-art baselines on three multi-hop QA datasets, achieving average improvements of 16.3% on recall@2 and 13.5% on recall@5 over advanced graph-based RAG methods. Moreover, compared to existing iter-based RAG methods, NeuroPath achieves higher accuracy and reduces token consumption by 22.8%. Finally, we demonstrate the robustness of NeuroPath across four smaller LLMs (Llama3.1, GLM4, Mistral0.3, and Gemma3), and further validate its scalability across tasks of varying complexity. Code is available at https://github.com/KennyCaty/NeuroPath.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG)は、知識集約タスクにおける大規模言語モデル(LLM)の性能を大幅に向上させる。 しかしながら、単純なRAGメソッドは、ドキュメント間の複雑な依存関係をキャプチャする能力に制限があるため、マルチホップ質問応答に苦慮する。 近年の研究では、文書接続のキャプチャにグラフベースのRAGを使用している。 しかし、これらのアプローチはしばしば意味的コヒーレンスを失い、ノードマッチングとサブグラフ構築の間に無関係なノイズをもたらす。 これらの制約に対処するために,神経生物学における位置細胞の経路ナビゲーション計画に触発されたLLM駆動型意味経路追跡RAGフレームワークであるNeuroPathを提案する。 ダイナミックパス追跡(Dynamic Path Tracking)とポストレトリーバル補完(Post-Retrieval Completion)の2つのステップで構成されている。 Dynamic Path Trackingは、構築された知識グラフ(KG)上でゴール指向のセマンティックパス追跡とプルーニングを行い、ノイズ低減とセマンティックコヒーレンスを改善する。 Retrieval Completionは、中間推論と元のクエリを使って第2段階の検索を行い、クエリのゴールを洗練し、推論パスで行方不明の情報を完成させることで、これらの利点をさらに強化する。 NeuroPathは3つのマルチホップQAデータセットの現在の最先端ベースラインを超え、リコール@2で16.3%、リコール@5で13.5%の平均的な改善を実現している。 さらに、既存の反復型RAG法と比較して、NeuroPathは高い精度を実現し、トークン消費量を22.8%削減する。 最後に、NuroPathの4つの小さなLCM(Llama3.1, GLM4, Mistral0.3, Gemma3)での堅牢性を実証し、そのスケーラビリティを様々な複雑さのタスクで検証する。 コードはhttps://github.com/KennyCaty/NeuroPath.comで入手できる。

関連論文リスト

• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Lookahead Tree-Based Rollouts for Enhanced Trajectory-Level Exploration in Reinforcement Learning with Verifiable Rewards [48.321707628011005]
  Lookahead Tree-Based Rollouts (LATR) は、軌道レベルの多様性を明確に促進するために設計された新しいロールアウト戦略である。 LATRはポリシー学習を平均で131%加速し、最終パス@1パフォーマンスを4.2%向上させる。
  論文  参考訳（メタデータ） (2025-10-28T11:12:02Z)
• Geminet: Learning the Duality-based Iterative Process for Lightweight Traffic Engineering in Changing Topologies [53.38648279089736]
  Geminetは軽量でスケーラブルなMLベースのTEフレームワークで、トポロジの変更を処理できる。 そのニューラルネットワークサイズは、既存のスキームの0.04%から7%に過ぎない。 大規模なトポロジでトレーニングすると、Geminetは10ギB未満のメモリを消費し、HARPが要求する80ギBの8倍以下である。
  論文  参考訳（メタデータ） (2025-06-30T09:09:50Z)
• 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)
• Graph Neural Network Enhanced Retrieval for Question Answering of LLMs [19.24603296717601]
  既存の検索方法は、参照文書を通路に分割し、それらを分離して扱う。 しかし、これらの節はしばしば相互に関連しており、例えば連続した節や同じキーワードを共有している節などである。 本稿では,グラフニューラルネットワーク(GNN)を利用した新しい検索手法GNN-Retを提案する。
  論文  参考訳（メタデータ） (2024-06-03T17:07:46Z)
• Long-range Meta-path Search on Large-scale Heterogeneous Graphs [11.499732874909302]
  プログレッシブサンプリング(LMSPS)による長距離メタパス探索(Long-range Meta-path Search)と呼ばれる,異種グラフへの長距離依存を利用した自動フレームワークを提案する。 サンプリング評価戦略により、LMSPSは特殊かつ効果的なメタパス選択を行い、効果的なメタパスのみを用いて再訓練し、コストと過度なスムーシングを緩和する。
  論文  参考訳（メタデータ） (2023-07-17T12:20:07Z)
• AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement with Neural Searching [76.4844593082362]
  既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。 総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
  論文  参考訳（メタデータ） (2020-04-26T05:43:21Z)

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。