論文の概要: Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2601.16462v1
• Date: Fri, 23 Jan 2026 05:41:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.55446
• Title: Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation
• Title（参考訳）: 検索型生成のためのグラフアンカレッド知識インデックス作成
• Authors: Zhenghao Liu, Mingyan Wu, Xinze Li, Yukun Yan, Shuo Wang, Cheng Yang, Minghe Yu, Zheni Zeng, Maosong Sun,
• Abstract要約: グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
• 参考スコア（独自算出の注目度）: 53.42323544075114
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) has emerged as a dominant paradigm for mitigating hallucinations in Large Language Models (LLMs) by incorporating external knowledge. Nevertheless, effectively integrating and interpreting key evidence scattered across noisy documents remains a critical challenge for existing RAG systems. In this paper, we propose GraphAnchor, a novel Graph-Anchored Knowledge Indexing approach that reconceptualizes graph structures from static knowledge representations into active, evolving knowledge indices. GraphAnchor incrementally updates a graph during iterative retrieval to anchor salient entities and relations, yielding a structured index that guides the LLM in evaluating knowledge sufficiency and formulating subsequent subqueries. The final answer is generated by jointly leveraging all retrieved documents and the final evolved graph. Experiments on four multi-hop question answering benchmarks demonstrate the effectiveness of GraphAnchor, and reveal that GraphAnchor modulates the LLM's attention to more effectively associate key information distributed in retrieved documents. All code and data are available at https://github.com/NEUIR/GraphAnchor.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、大規模言語モデル(LLM)における幻覚を緩和するための主要なパラダイムとして、外部知識を取り入れて登場した。 それでも、ノイズの多い文書に散在する重要な証拠を効果的に統合し、解釈することは、既存のRAGシステムにとって重要な課題である。 本稿では,グラフ構造を静的な知識表現からアクティブな知識指標へと再認識するグラフアンコレート型知識インデックス手法であるGraphAnchorを提案する。 GraphAnchorは、反復検索中にグラフを漸進的に更新して、有能なエンティティと関係を固定し、LLMを誘導する構造化インデックスを生成し、知識不足を評価し、その後のサブクエリを定式化する。 最後の答えは、取得したすべてのドキュメントと最終進化グラフを共同で活用することで生成される。 4つのマルチホップ質問応答ベンチマークの実験は、GraphAnchorの有効性を示し、GraphAnchorがLLMの注意を変調して、検索されたドキュメントに分散されたキー情報をより効果的に関連付けることを明らかにしている。 すべてのコードとデータはhttps://github.com/NEUIR/GraphAnchor.comで入手できる。

関連論文リスト

• Improving Graph Embeddings in Machine Learning Using Knowledge Completion with Validation in a Case Study on COVID-19 Spread [1.0308647202215706]
  グラフ埋め込み(GE)は、知識グラフ(KG)からベクトル空間にマッピングすることで、ノード分類やリンク予測といったタスクを可能にする。 本稿では,埋め込み前の潜在データセットのセマンティクスを明らかにするために,知識コンプリートフェーズを統合したGMLパイプラインを提案する。 実験により、GMLパイプラインは埋め込み空間の幾何学を著しく変化させ、その導入は単なるエンリッチメントではなく、グラフ表現の質を再定義する変換ステップであることを示した。
  論文  参考訳（メタデータ） (2025-11-15T07:24:00Z)
• G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
  大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。 最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T04:38:12Z)
• MIXRAG : Mixture-of-Experts Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [6.596018318578605]
  Retrieval-Augmented Generation (RAG)は、推論中に外部知識ソースを組み込むことで、Large Language Models (LLM)を強化する。 既存のアプローチのほとんどは、関連するサブグラフを特定するために単一のレトリバーに依存しており、複雑なクエリのさまざまな側面をキャプチャする能力を制限する。 そこで我々は,Mixture-of-Experts Graph-RAGフレームワークであるMIXRAGを提案する。
  論文  参考訳（メタデータ） (2025-09-24T02:44:57Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• CG-RAG: Research Question Answering by Citation Graph Retrieval-Augmented LLMs [9.718354494802002]
  CG-RAG(Contextualized Graph Retrieval-Augmented Generation)は、グラフ構造に疎密な検索信号を統合する新しいフレームワークである。 まず、引用グラフの文脈グラフ表現を提案し、文書内および文書間の明示的および暗黙的な接続を効果的にキャプチャする。 次にLexical-Semantic Graph Retrieval(LeSeGR)を提案する。 第3に,検索したグラフ構造化情報を利用した文脈認識生成手法を提案する。
  論文  参考訳（メタデータ） (2025-01-25T04:18:08Z)
• GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)

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。