論文の概要: Orion-RAG: Path-Aligned Hybrid Retrieval for Graphless Data

• arxiv url: http://arxiv.org/abs/2601.04764v1
• Date: Thu, 08 Jan 2026 09:32:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.137793
• Title: Orion-RAG: Path-Aligned Hybrid Retrieval for Graphless Data
• Title（参考訳）: Orion-RAG:グラフレスデータのための経路対応ハイブリッド検索
• Authors: Zhen Chen, Weihao Xie, Peilin Chen, Shiqi Wang, Jianping Wang,
• Abstract要約: Retrieval-Augmented Generation (RAG) は知識合成に有効であることが証明されているが、データは本質的に離散的で断片化されている現実的なシナリオにおいて重大な課題に直面している。 本稿では,断片化された文書を半構造化データに変換するOrion-RAGを提案する。
• 参考スコア（独自算出の注目度）: 13.307131500057862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) has proven effective for knowledge synthesis, yet it encounters significant challenges in practical scenarios where data is inherently discrete and fragmented. In most environments, information is distributed across isolated files like reports and logs that lack explicit links. Standard search engines process files independently, ignoring the connections between them. Furthermore, manually building Knowledge Graphs is impractical for such vast data. To bridge this gap, we present Orion-RAG. Our core insight is simple yet effective: we do not need heavy algorithms to organize this data. Instead, we use a low-complexity strategy to extract lightweight paths that naturally link related concepts. We demonstrate that this streamlined approach suffices to transform fragmented documents into semi-structured data, enabling the system to link information across different files effectively. Extensive experiments demonstrate that Orion-RAG consistently outperforms mainstream frameworks across diverse domains, supporting real-time updates and explicit Human-in-the-Loop verification with high cost-efficiency. Experiments on FinanceBench demonstrate superior precision with a 25.2% relative improvement over strong baselines.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は知識合成に有効であることが証明されているが、データは本質的に離散的で断片化されている現実的なシナリオにおいて重大な課題に直面している。 ほとんどの環境では、情報は、明示的なリンクを持たないレポートやログのような独立したファイルに分散されます。 標準検索エンジンはファイルを個別に処理し、ファイル間の接続を無視する。 さらに、知識グラフを手動で構築することは、そのような膨大なデータにとって実用的ではない。 このギャップを埋めるために、Orion-RAGを紹介します。 このデータを整理する重いアルゴリズムは必要ありません。 代わりに、低複雑さ戦略を使用して、関連する概念を自然にリンクする軽量パスを抽出します。 この合理化手法は,断片化された文書を半構造化データに変換するのに十分であることを示す。 大規模な実験によると、Orion-RAGはさまざまなドメインにわたる主要なフレームワークを一貫して上回り、リアルタイム更新と高いコスト効率で明確なHuman-in-the-Loop検証をサポートする。 ファイナンスベンチの実験では、強いベースラインよりも25.2%の相対的な改善が得られた。

関連論文リスト

• CREAM: Continual Retrieval on Dynamic Streaming Corpora with Adaptive Soft Memory [19.64051996386645]
  CREAMは、メモリベースの連続検索のための自己教師型フレームワークである。 教師なしの環境では、目に見えないトピックと見えないトピックの両方に適応します。 2つのベンチマークデータセットの実験は、CREAMが優れた適応性と精度を示すことを示した。
  論文  参考訳（メタデータ） (2026-01-06T04:47:49Z)
• Relevance to Utility: Process-Supervised Rewrite for RAG [38.81331265140413]
  モジュールが真のドキュメントユーティリティをキャプチャできないことを示す。 本稿では,正しい解を生成する確率を最大化するために,直接最適化する鍵となる特徴を持つR2Uを提案する。
  論文  参考訳（メタデータ） (2025-09-19T04:24:57Z)
• ABCD-LINK: Annotation Bootstrapping for Cross-Document Fine-Grained Links [57.514511353084565]
  我々は、最高のパフォーマンスのアプローチを選択し、文書間リンクに注釈を付けるための新しいドメインに依存しないフレームワークを提案する。 当社のフレームワークを2つの異なるドメイン – ピアレビューとニュース – に適用しています。 結果として得られた新しいデータセットは、メディアフレーミングやピアレビューなど、数多くのクロスドキュメントタスクの基礎を築いた。
  論文  参考訳（メタデータ） (2025-09-01T11:32:24Z)
• GRAIL:Learning to Interact with Large Knowledge Graphs for Retrieval Augmented Reasoning [13.481673780508215]
  GRAILは、検索強化推論のための大規模グラフと相互作用するように設計されたフレームワークである。 GRAILは知識グラフ問合せデータセットの平均精度を21.01%改善し、F1改善を22.43%改善する。
  論文  参考訳（メタデータ） (2025-08-07T15:34:41Z)
• 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)
• Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval [22.33550491040999]
  RAGは、大きな言語モデルを外部の証拠に基礎を置いているが、セマンティックに遠く離れた文書で答えをまとめなければならないと、いまだに混乱している。 私たちは、StatementGraphRAGとTopicGraphRAGという2つのプラグイン・アンド・プレイレトリバーを構築します。 提案手法は,検索リコールと正当性において平均23.1%の相対的改善を達成し,有意なチャンクベースRAGよりも優れていた。
  論文  参考訳（メタデータ） (2025-06-09T17:58:35Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• ROGRAG: A Robustly Optimized GraphRAG Framework [45.947928801693266]
  グラフベースの検索強化生成(GraphRAG)は、動的検索のためのグラフとしてドメイン知識を構造化することによってこの問題に対処する。 既存のパイプラインには複雑なエンジニアリングが含まれており、個々のコンポーネントの影響を分離することは困難である。 本稿では,ロバストに最適化されたGraphRAGフレームワークであるROGRAGを紹介する。
  論文  参考訳（メタデータ） (2025-03-09T06:20:24Z)
• Fact Checking Beyond Training Set [64.88575826304024]
  本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。 本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。 次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
  論文  参考訳（メタデータ） (2024-03-27T15:15:14Z)
• SMaRt: Improving GANs with Score Matching Regularity [114.43433222721025]
  生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。 スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることがわかった。 提案手法は, 実世界のデータセットにおいて, 近似スコア関数として機能する事前学習拡散モデルを用いて, 最先端のGANの性能を継続的に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-11-30T03:05:14Z)
• Bi-level Alignment for Cross-Domain Crowd Counting [113.78303285148041]
  現在の手法は、補助的なタスクを訓練したり、高価な粗大な見積もりを適用したりするための外部データに依存している。 そこで我々は, 簡易かつ効率的に適用可能な, 逆学習に基づく新しい手法を開発した。 実世界の5つのクラウドカウントベンチマークに対するアプローチを評価し、既存のアプローチを大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-05-12T02:23:25Z)

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。