論文の概要: FastInsight: Fast and Insightful Retrieval via Fusion Operators for Graph RAG

• arxiv url: http://arxiv.org/abs/2601.18579v1
• Date: Mon, 26 Jan 2026 15:23:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.895363
• Title: FastInsight: Fast and Insightful Retrieval via Fusion Operators for Graph RAG
• Title（参考訳）: FastInsight: Graph RAG用のFusion Operatorsによる高速で洞察に富んだ検索
• Authors: Seonho An, Chaejeong Hyun, Min-Soo Kim,
• Abstract要約: グラフベースのReranker (GRanker) はグラフモデルベースの検索として機能し、Semantic-Topological eXpansion (S) はベクトルグラフ検索として機能する。 FastInsightは、最先端のベースラインと比較して、検索精度と生成品質の両方を著しく改善する。
• 参考スコア（独自算出の注目度）: 4.927427162899616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing Graph RAG methods aiming for insightful retrieval on corpus graphs typically rely on time-intensive processes that interleave Large Language Model (LLM) reasoning. To enable time-efficient insightful retrieval, we propose FastInsight. We first introduce a graph retrieval taxonomy that categorizes existing methods into three fundamental operations: vector search, graph search, and model-based search. Through this taxonomy, we identify two critical limitations in current approaches: the topology-blindness of model-based search and the semantics-blindness of graph search. FastInsight overcomes these limitations by interleaving two novel fusion operators: the Graph-based Reranker (GRanker), which functions as a graph model-based search, and Semantic-Topological eXpansion (STeX), which operates as a vector-graph search. Extensive experiments on broad retrieval and generation datasets demonstrate that FastInsight significantly improves both retrieval accuracy and generation quality compared to state-of-the-art baselines, achieving a substantial Pareto improvement in the trade-off between effectiveness and efficiency.
• Abstract（参考訳）: コーパスグラフの洞察に富む検索を目的とした既存のグラフRAG法は、通常、Large Language Model (LLM)推論をインターリーブする時間集約的なプロセスに依存している。 時間効率のよい洞察検索を実現するために,我々はFastInsightを提案する。 まず,既存の手法をベクトル探索,グラフ探索,モデルベース探索の3つの基本操作に分類するグラフ検索分類法を提案する。 この分類法により、モデルベース探索のトポロジ・ブラインドネスとグラフ探索のセマンティクス・ブラインドネスの2つの限界を同定する。 グラフモデルベースのサーチとして機能するグラフベースのリランカ(GRanker)と、ベクトルグラフサーチとして動作するセマンティックトポロジカルeXpansion(STeX)である。 広範囲な検索と生成データセットに関する大規模な実験により、FastInsightは最先端のベースラインと比較して、検索精度と生成品質の両方を著しく改善し、有効性と効率のトレードオフにおいてパレートを大幅に改善した。

関連論文リスト

• GraphSearch: Agentic Search-Augmented Reasoning for Zero-Shot Graph Learning [9.147800129236918]
  GraphSearchは、検索強化推論をグラフ学習に拡張するフレームワークである。 セマンティックなクエリから検索空間(例えば1ホップ、マルチホップ、グローバルな隣人など)を切り離す。 ゼロショットノード分類とリンク予測に最先端の結果を設定する。
  論文  参考訳（メタデータ） (2026-01-13T15:00:57Z)
• GraphSearch: An Agentic Deep Searching Workflow for Graph Retrieval-Augmented Generation [35.65907480060404]
  textscGraphSearchは、GraphRAGの二重チャネル検索を備えた新しいエージェントディープ検索ワークフローである。 textscGraphSearchは、従来の戦略よりも解答精度と生成品質を一貫して改善する。
  論文  参考訳（メタデータ） (2025-09-26T07:45:56Z)
• Empowering Graph-based Approximate Nearest Neighbor Search with Adaptive Awareness Capabilities [19.352675865525395]
  本稿では,Adaptive Topology とQuery AwarEness を用いた GATE, High-tier Near Graph を提案する。 Gateは、最先端のグラフベースのインデックスと比較して、クエリパフォーマンスの1.2-2.0倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-06-19T03:07:12Z)
• 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)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Subgraph Matching via Query-Conditioned Subgraph Matching Neural Networks and Bi-Level Tree Search [33.9052190473029]
  サブグラフマッチングは、グラフデータベース検索、バイオメディカル分析、ソーシャルグループ検索などにおける中核的な操作である。 本稿では,クエリと対象グラフのマッチング情報を動的に計算する,新しいエンコーダ・デコーダニューラルネットワークアーキテクチャを提案する。 5つの大きな実世界のターゲットグラフの実験により、N-BLSはサブグラフマッチング性能を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-07-21T04:47:21Z)
• An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。 本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。 我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
  論文  参考訳（メタデータ） (2022-06-01T09:59:09Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)

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。