論文の概要: When to Trust: A Causality-Aware Calibration Framework for Accurate Knowledge Graph Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2601.09241v1
• Date: Wed, 14 Jan 2026 07:22:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.308968
• Title: When to Trust: A Causality-Aware Calibration Framework for Accurate Knowledge Graph Retrieval-Augmented Generation
• Title（参考訳）: 信頼すべきタイミング: 正確な知識グラフ検索のための因果関係を考慮した校正フレームワーク
• Authors: Jing Ren, Bowen Li, Ziqi Xu, Xinkun Zhang, Haytham Fayek, Xiaodong Li,
• Abstract要約: Knowledge Graph Retrieval-Augmented Generation (KG-RAG) は知識グラフから構造化知識を取り入れることでRAGパラダイムを拡張している。 既存のKG-RAGモデルは、しばしば非常に過信であり、検索されたサブグラフが不完全または信頼できない場合でも、高い信頼度を予測する。 KG-RAGのための因果認識フレームワークであるCa2KGを提案する。
• 参考スコア（独自算出の注目度）: 9.05691591939794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graph Retrieval-Augmented Generation (KG-RAG) extends the RAG paradigm by incorporating structured knowledge from knowledge graphs, enabling Large Language Models (LLMs) to perform more precise and explainable reasoning. While KG-RAG improves factual accuracy in complex tasks, existing KG-RAG models are often severely overconfident, producing high-confidence predictions even when retrieved sub-graphs are incomplete or unreliable, which raises concerns for deployment in high-stakes domains. To address this issue, we propose Ca2KG, a Causality-aware Calibration framework for KG-RAG. Ca2KG integrates counterfactual prompting, which exposes retrieval-dependent uncertainties in knowledge quality and reasoning reliability, with a panel-based re-scoring mechanism that stabilises predictions across interventions. Extensive experiments on two complex QA datasets demonstrate that Ca2KG consistently improves calibration while maintaining or even enhancing predictive accuracy.
• Abstract（参考訳）: Knowledge Graph Retrieval-Augmented Generation (KG-RAG)は知識グラフからの構造化知識を組み込むことでRAGパラダイムを拡張し、より正確で説明可能な推論を可能にする。 KG-RAGは複雑なタスクにおける実際の精度を改善するが、既存のKG-RAGモデルは、しばしば深刻な過信であり、検索されたサブグラフが不完全または信頼できない場合でも、高い信頼度を予測する。 この問題に対処するため、我々はKG-RAGのためのCa2KG(Causality-aware Calibration framework)を提案する。 Ca2KGは、知識品質と推論信頼性の検索依存の不確実性を露呈する対実的プロンプトと、介入間の予測を安定化するパネルベースの再スコア機構を統合する。 2つの複雑なQAデータセットに対する大規模な実験は、Ca2KGが常にキャリブレーションを改善し、予測精度を維持または強化していることを示している。

関連論文リスト

• Explainable Knowledge Graph Retrieval-Augmented Generation (KG-RAG) with KG-SMILE [0.03908906925636173]
  SMILE を用いた Graph RAG のトークンとコンポーネントレベルの相互運用性を提供する,メソッドに依存しない摂動に基づくフレームワークを開発した。 KG-SMILEは、生成した出力に最も影響を及ぼすグラフエンティティと関係を識別し、RAGをより透明にする。 以上の結果から,KG-SMILEはモデルの有効性と解釈可能性のバランスをとる能力を示した。
  論文  参考訳（メタデータ） (2025-09-03T18:29:30Z)
• Diagnosing and Addressing Pitfalls in KG-RAG Datasets: Toward More Reliable Benchmarking [63.84117489519164]
  知識グラフ質問 回答システムは、複雑なマルチホップ推論を評価するために高品質なベンチマークに依存している。 広く使われているにもかかわらず、WebQSPやCWQのような一般的なデータセットは、重要な品質問題に悩まされている。 我々はこれらの落とし穴を体系的に解決するLLM-in-the-loopフレームワークであるKGQAGenを紹介する。 本研究は,KGQA評価を推し進めるスケーラブルなフレームワークとして,より厳密なベンチマーク構築とKGQAGenの位置づけを提唱する。
  論文  参考訳（メタデータ） (2025-05-29T14:44:52Z)
• Know3-RAG: A Knowledge-aware RAG Framework with Adaptive Retrieval, Generation, and Filtering [9.814926166669366]
  我々は知識グラフ(KG)から構造化知識を活用する知識認識RAGフレームワークであるKnow3-RAGを提案し、検索、生成、フィルタリングを含むRAGプロセスの3つの中核段階を導出する。 複数のオープンドメインQAベンチマークの実験では、Know3-RAGは強いベースラインを一貫して上回り、幻覚を著しく減らし、回答の信頼性を向上している。
  論文  参考訳（メタデータ） (2025-05-19T03:25:18Z)
• MES-RAG: Bringing Multi-modal, Entity-Storage, and Secure Enhancements to RAG [65.0423152595537]
  本稿では,エンティティ固有のクエリ処理を強化し,正確でセキュアで一貫した応答を提供するMES-RAGを提案する。 MES-RAGは、データアクセスの前に保護を適用してシステムの整合性を確保するための積極的なセキュリティ対策を導入している。 実験の結果,MES-RAGは精度とリコールの両方を著しく改善し,質問応答の安全性と有用性を向上する効果が示された。
  論文  参考訳（メタデータ） (2025-03-17T08:09:42Z)
• Towards Trustworthy Knowledge Graph Reasoning: An Uncertainty Aware Perspective [17.39302677990171]
  我々は、新しい信頼できるKG-LLMフレームワーク、Uncertainty Aware Knowledge-Graph Reasoning (UAG)を提案する。 本研究では, 整合予測を利用した不確実性を考慮した多段階推論フレームワークを設計し, 予測セットに対する理論的保証を提供する。 提案するUAGは,予測セット/インターバルサイズを平均40%削減しながら,事前定義されたカバレッジ率を達成することができる。
  論文  参考訳（メタデータ） (2024-10-11T16:57:30Z)
• UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
  IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。 我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。 不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-10-03T17:39:38Z)

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。