論文の概要: T-Retriever: Tree-based Hierarchical Retrieval Augmented Generation for Textual Graphs

• arxiv url: http://arxiv.org/abs/2601.04945v1
• Date: Thu, 08 Jan 2026 13:49:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.222131
• Title: T-Retriever: Tree-based Hierarchical Retrieval Augmented Generation for Textual Graphs
• Title（参考訳）: T-Retriever: テキストグラフのための木に基づく階層型検索生成
• Authors: Chunyu Wei, Huaiyu Qin, Siyuan He, Yunhai Wang, Yueguo Chen,
• Abstract要約: グラフベースのRAGアプローチは、局所グラフ構造に損傷を与える厳密な層特異的圧縮クォータを強制する。 グラフ検索をツリーベースとして再構成する新しいフレームワークであるT-Retrieverを紹介する。 T-Retrieverは最先端のRAG法を著しく上回り、複雑なクエリに対してより一貫性があり、文脈的に関連する応答を提供する。
• 参考スコア（独自算出の注目度）: 14.797057622726037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) has significantly enhanced Large Language Models' ability to access external knowledge, yet current graph-based RAG approaches face two critical limitations in managing hierarchical information: they impose rigid layer-specific compression quotas that damage local graph structures, and they prioritize topological structure while neglecting semantic content. We introduce T-Retriever, a novel framework that reformulates attributed graph retrieval as tree-based retrieval using a semantic and structure-guided encoding tree. Our approach features two key innovations: (1) Adaptive Compression Encoding, which replaces artificial compression quotas with a global optimization strategy that preserves the graph's natural hierarchical organization, and (2) Semantic-Structural Entropy ($S^2$-Entropy), which jointly optimizes for both structural cohesion and semantic consistency when creating hierarchical partitions. Experiments across diverse graph reasoning benchmarks demonstrate that T-Retriever significantly outperforms state-of-the-art RAG methods, providing more coherent and contextually relevant responses to complex queries.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG)は、大規模言語モデルの外部知識へのアクセス能力を大幅に向上させたが、現在のグラフベースのRAGアプローチでは、階層的な情報を管理する上で2つの重要な制限に直面している。 T-Retrieverは、属性付きグラフ検索を、意味的および構造的誘導的符号化木を用いた木に基づく検索として再構成する新しいフレームワークである。 提案手法は,(1)適応圧縮符号化(Adaptive Compression Encoding, 人工圧縮クォータを, グラフの自然な階層構造を保存するグローバル最適化戦略に置き換える)と(2)意味構造エントロピー(Semantic-Structural Entropy, S^2$-Entropy, S^2$-Entropy)である。 様々なグラフ推論ベンチマークによる実験により、T-Retrieverは最先端のRAGメソッドよりも優れており、複雑なクエリに対してより一貫性があり、文脈的に関連した応答を提供する。

関連論文リスト

• IAR2: Improving Autoregressive Visual Generation with Semantic-Detail Associated Token Prediction [77.06211178777939]
  IAR2は、階層的なセマンティックディーテール合成プロセスを可能にする高度な自己回帰フレームワークである。 我々は、IAR2が自動回帰画像生成のための新しい最先端技術を設定し、ImageNet上で1.50のFIDを達成することを示す。
  論文  参考訳（メタデータ） (2025-10-08T12:08:21Z)
• Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning [32.78218766121055]
  グラフ検索拡張生成(GraphRAG)は,複雑な推論において,大規模言語モデルを効果的に拡張した。 本稿では,フレームワーク全体を複雑な統合として結合する,垂直に統一されたエージェントパラダイムYoutu-GraphRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-27T13:13:20Z)
• 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)
• Beyond Chunking: Discourse-Aware Hierarchical Retrieval for Long Document Question Answering [51.7493726399073]
  本稿では,長文質問応答を改善するための対話型階層型フレームワークを提案する。 このフレームワークには3つの重要な革新がある: 長文の専門的な談話解析、LLMに基づく談話関係ノードの拡張、構造誘導階層検索である。
  論文  参考訳（メタデータ） (2025-05-26T14:45:12Z)
• 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)
• Refinement Module based on Parse Graph for Human Pose Estimation [9.106514619168536]
  Parse Graphに基づく新しいコンテキスト関係と階層構造モデリングモジュールRMPGを提案する。 RMPGは、特徴写像のトップダウン分解とコンテキスト情報付きサブノード特徴写像のボトムアップ合成により特徴写像を適応的に洗練する。 様々な主流のヒューマン・ポース推定ネットワークにプラグインとして柔軟に組み込むことができる。
  論文  参考訳（メタデータ） (2025-01-19T15:05:15Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• SE-GSL: A General and Effective Graph Structure Learning Framework through Structural Entropy Optimization [67.28453445927825]
  グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。 既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。 本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
  論文  参考訳（メタデータ） (2023-03-17T05:20:24Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)

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。