論文の概要: HyperbolicRAG: Enhancing Retrieval-Augmented Generation with Hyperbolic Representations

• arxiv url: http://arxiv.org/abs/2511.18808v2
• Date: Tue, 25 Nov 2025 03:43:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 15:01:35.395284
• Title: HyperbolicRAG: Enhancing Retrieval-Augmented Generation with Hyperbolic Representations
• Title（参考訳）: HyperbolicRAG: Hyperbolic Representation を用いた検索拡張ジェネレーションの強化
• Authors: Linxiao Cao, Ruitao Wang, Jindong Li, Zhipeng Zhou, Menglin Yang,
• Abstract要約: グラフベースのRAGは、大きな言語モデルが外部知識にアクセスできるようにする。 本稿では,ハイパーボリック幾何をグラフベースRAGに統合する検索フレームワークであるHyperbolicRAGを提案する。
• 参考スコア（独自算出の注目度）: 11.678218711095269
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Retrieval-augmented generation (RAG) enables large language models (LLMs) to access external knowledge, helping mitigate hallucinations and enhance domain-specific expertise. Graph-based RAG enhances structural reasoning by introducing explicit relational organization that enables information propagation across semantically connected text units. However, these methods typically rely on Euclidean embeddings that capture semantic similarity but lack a geometric notion of hierarchical depth, limiting their ability to represent abstraction relationships inherent in complex knowledge graphs. To capture both fine-grained semantics and global hierarchy, we propose HyperbolicRAG, a retrieval framework that integrates hyperbolic geometry into graph-based RAG. HyperbolicRAG introduces three key designs: (1) a depth-aware representation learner that embeds nodes within a shared Poincare manifold to align semantic similarity with hierarchical containment, (2) an unsupervised contrastive regularization that enforces geometric consistency across abstraction levels, and (3) a mutual-ranking fusion mechanism that jointly exploits retrieval signals from Euclidean and hyperbolic spaces, emphasizing cross-space agreement during inference. Extensive experiments across multiple QA benchmarks demonstrate that HyperbolicRAG outperforms competitive baselines, including both standard RAG and graph-augmented baselines.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG)は、大規模な言語モデル(LLM)が外部の知識にアクセスでき、幻覚を緩和し、ドメイン固有の専門知識を強化するのに役立つ。 グラフベースのRAGは、意味的に接続されたテキストユニット間での情報伝達を可能にする明示的な関係組織を導入することにより、構造的推論を強化する。 しかし、これらの手法は典型的にはユークリッドの埋め込みに依存しており、意味的類似性を捉えるが、階層的な深さの幾何学的概念が欠如しており、複雑な知識グラフに固有の抽象関係を表現する能力が制限されている。 本稿では,ハイパーボリック幾何をグラフベースRAGに統合した検索フレームワークHyperbolicRAGを提案する。 ハイパーボリックRAGは,(1)共有ポアンカレ多様体内にノードを埋め込んで階層的包含とセマンティック類似性を整合させる深度認識型表現学習装置,(2)抽象レベルでの幾何整合を強制する教師なしのコントラスト正規化,(3)ユークリッド空間と双曲空間からの検索信号を相互に活用し,推論中の空間間合意を強調する相互に階乗する融合機構,の3つの重要な設計を導入する。 複数のQAベンチマークでの大規模な実験により、HyperbolicRAGは標準RAGとグラフ拡張ベースラインの両方を含む競争ベースラインを上回っていることが示された。

関連論文リスト

• Cog-RAG: Cognitive-Inspired Dual-Hypergraph with Theme Alignment Retrieval-Augmented Generation [43.737415090081555]
  本稿では,テーマ・アライン・デュアルハイパグラフRAGフレームワークを提案する。テーマ・アライン・デュアルハイパグラフ(Cog-RAG)は,テーマ・ハイパーグラフを用いて,チャンク間セマンティック構造とエンティティ・ハイパーグラフをキャプチャし,高階意味関係をモデル化する。 実験の結果,Cog-RAGは既存の最先端のベースラインアプローチを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-11-17T10:10:33Z)
• H3Former: Hypergraph-based Semantic-Aware Aggregation via Hyperbolic Hierarchical Contrastive Loss for Fine-Grained Visual Classification [17.431440244641585]
  H3Formerは、きめ細かい視覚分類のための新しいトークン・ツー・リージョンフレームワークである。 SAAMは、トークン間で重み付けされたハイパーグラフを動的に構築するために、マルチスケールのコンテキストキューを利用する。 HHCLは非ユークリッド埋め込み空間において階層的意味制約を強制する。
  論文  参考訳（メタデータ） (2025-11-13T12:49:10Z)
• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• Dense Semantic Matching with VGGT Prior [49.42199006453071]
  本稿では,VGGTの本質的な強みを,初期の特徴段階を再利用し,後続の特徴段階を微調整し,双方向対応のための意味的頭部を追加することによって維持するアプローチを提案する。 提案手法は, 従来のベースラインよりも優れた幾何認識, 整合性, および多様体保存を実現する。
  論文  参考訳（メタデータ） (2025-09-25T14:56:11Z)
• LeanRAG: Knowledge-Graph-Based Generation with Semantic Aggregation and Hierarchical Retrieval [10.566901995776025]
  LeanRAGは知識集約と検索戦略を組み合わせたフレームワークです。 グラフ上のパス検索に関連するかなりのオーバーヘッドを軽減し、冗長な情報検索を最小限にする。
  論文  参考訳（メタデータ） (2025-08-14T06:47:18Z)
• 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)
• Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual Recognition [57.08108545219043]
  サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。 既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。 本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
  論文  参考訳（メタデータ） (2023-05-12T00:13:17Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)

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。