論文の概要: Neurosymbolic Retrievers for Retrieval-augmented Generation

• arxiv url: http://arxiv.org/abs/2601.04568v1
• Date: Thu, 08 Jan 2026 03:53:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.027565
• Title: Neurosymbolic Retrievers for Retrieval-augmented Generation
• Title（参考訳）: 回復型再生のためのニューロシンボリック・レトリバー
• Authors: Yash Saxena, Manas Gaur,
• Abstract要約: 本稿では,知識グラフとニューラル検索技術を用いたシンボリック推論を統合したニューロシンボリックRAGの概念を紹介する。 第一にMAR (Knowledge Modulation Aligned Retrieval) は、変調ネットワークを用いて、解釈可能なシンボリック特徴を用いてクエリの埋め込みを洗練する。 第二に、KG-Path RAGは知識グラフをトラバースすることでクエリを強化し、全体的な検索品質と解釈可能性を向上させる。
• 参考スコア（独自算出の注目度）: 10.671057374385205
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Retrieval Augmented Generation (RAG) has made significant strides in overcoming key limitations of large language models, such as hallucination, lack of contextual grounding, and issues with transparency. However, traditional RAG systems consist of three interconnected neural components - the retriever, re-ranker, and generator - whose internal reasoning processes remain opaque. This lack of transparency complicates interpretability, hinders debugging efforts, and erodes trust, especially in high-stakes domains where clear decision-making is essential. To address these challenges, we introduce the concept of Neurosymbolic RAG, which integrates symbolic reasoning using a knowledge graph with neural retrieval techniques. This new framework aims to answer two primary questions: (a) Can retrievers provide a clear and interpretable basis for document selection? (b) Can symbolic knowledge enhance the clarity of the retrieval process? We propose three methods to improve this integration. First is MAR (Knowledge Modulation Aligned Retrieval) that employs modulation networks to refine query embeddings using interpretable symbolic features, thereby making document matching more explicit. Second, KG-Path RAG enhances queries by traversing knowledge graphs to improve overall retrieval quality and interpretability. Lastly, Process Knowledge-infused RAG utilizes domain-specific tools to reorder retrieved content based on validated workflows. Preliminary results from mental health risk assessment tasks indicate that this neurosymbolic approach enhances both transparency and overall performance
• Abstract（参考訳）: Retrieval Augmented Generation (RAG)は、幻覚、文脈的基盤の欠如、透明性に関する問題など、大規模な言語モデルの重要な制限を克服する上で、大きな一歩を踏み出した。 しかしながら、従来のRAGシステムは、内部推論プロセスが不透明である3つの相互接続されたニューラルネットワークコンポーネント(レトリバー、再ランカ、ジェネレータ)で構成されている。 この透明性の欠如は、解釈可能性の複雑化、デバッグの妨げ、信頼を損なう。 これらの課題に対処するために、知識グラフとニューラル検索技術を用いたシンボリック推論を統合したニューロシンボリックRAGの概念を導入する。 この新しいフレームワークは、以下の2つの質問に答えることを目的としている。 (a)レトリバーは、文書選択の明確かつ解釈可能な基盤を提供できるか。 b)記号知識は検索プロセスの明瞭さを高めることができるか? この統合を改善するための3つの方法を提案する。 まず MAR (Knowledge Modulation Aligned Retrieval) で、変調ネットワークを用いて、解釈可能なシンボリック機能を使ってクエリの埋め込みを洗練し、文書マッチングをより明確にする。 第二に、KG-Path RAGは知識グラフをトラバースすることでクエリを強化し、全体的な検索品質と解釈可能性を向上させる。 最後に、Process Knowledge-infused RAGはドメイン固有のツールを使用して、検証済みのワークフローに基づいて検索されたコンテンツを並べ替える。 メンタルヘルスリスク評価タスクの予備結果は、このニューロシンボリックアプローチが透明性と全体的なパフォーマンスを高めることを示唆している

関連論文リスト

• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• HKRAG: Holistic Knowledge Retrieval-Augmented Generation Over Visually-Rich Documents [18.42875699937102]
  本稿では,HKRAGを提案する。HKRAGは2つの知識タイプを明示的にキャプチャし,統合するために設計された,新しい総合的なRAGフレームワークである。 本フレームワークは,(1)有意な知識と細書知識を個別にモデル化し,クエリ関連情報検索を確保するための明示的なマスキング戦略を利用するハイブリッドマスキング型ホロスティック検索,(2)初期回答の不確かさを動的に評価し,最適な応答生成のために2つの異なる知識ストリームを統合する方法を積極的に決定する不確実性誘導エージェント生成の2つの重要なコンポーネントを特徴とする。
  論文  参考訳（メタデータ） (2025-11-25T11:59:52Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• DeepSieve: Information Sieving via LLM-as-a-Knowledge-Router [57.28685457991806]
  DeepSieveはエージェントRAGフレームワークで、LLM-as-a-knowledge-routerを介して情報を収集する。 我々の設計はモジュール性、透明性、適応性を重視しており、エージェントシステム設計の最近の進歩を活用している。
  論文  参考訳（メタデータ） (2025-07-29T17:55:23Z)
• HIRAG: Hierarchical-Thought Instruction-Tuning Retrieval-Augmented Generation [16.201341932327036]
  我々は、新しいRAG命令微調整手法、階層型命令-調整型検索生成(HIRAG)を導入する。 この方法は,多段階のプログレッシブ・チェーン・オブ・シントを利用して,モデルのオープンブック検査能力を向上させる。 実験によると、HIRAGトレーニング戦略は、RGB、PopQA、MuSiQue、HotpotQA、PubmedQAといったデータセット上でのモデルのパフォーマンスを大幅に改善する。
  論文  参考訳（メタデータ） (2025-07-08T06:53:28Z)
• 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)
• Retrieval-Augmented Generation for Large Language Models: A Survey [17.82361213043507]
  大きな言語モデル(LLM)には印象的な能力があるが、幻覚のような課題に直面している。 Retrieval-Augmented Generation (RAG) は,外部データベースからの知識を取り入れた,有望なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-12-18T07:47:33Z)
• 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)

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。