論文の概要: A2RAG: Adaptive Agentic Graph Retrieval for Cost-Aware and Reliable Reasoning

• arxiv url: http://arxiv.org/abs/2601.21162v1
• Date: Thu, 29 Jan 2026 01:58:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.507894
• Title: A2RAG: Adaptive Agentic Graph Retrieval for Cost-Aware and Reliable Reasoning
• Title（参考訳）: A2RAG: 低コストで信頼性の高い推論のための適応型エージェントグラフ検索
• Authors: Jiate Liu, Zebin Chen, Shaobo Qiao, Mingchen Ju, Danting Zhang, Bocheng Han, Shuyue Yu, Xin Shu, Jingling Wu, Dong Wen, Xin Cao, Guanfeng Liu, Zhengyi Yang,
• Abstract要約: A2RAG(A2RAG)は、低コストで信頼性の高い推論のためのアダプティブ・アンド・アジェンティックなGraphRAGフレームワークである。 A2RAGはRecall@2で+9.9/+11.8の絶対ゲインを達成する一方で、トークン消費とエンドツーエンドのレイテンシを反復的なマルチホップベースラインと比較して約50%削減する。
• 参考スコア（独自算出の注目度）: 10.312950071578463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Retrieval-Augmented Generation (Graph-RAG) enhances multihop question answering by organizing corpora into knowledge graphs and routing evidence through relational structure. However, practical deployments face two persistent bottlenecks: (i) mixed-difficulty workloads where one-size-fits-all retrieval either wastes cost on easy queries or fails on hard multihop cases, and (ii) extraction loss, where graph abstraction omits fine-grained qualifiers that remain only in source text. We present A2RAG, an adaptive-and-agentic GraphRAG framework for cost-aware and reliable reasoning. A2RAG couples an adaptive controller that verifies evidence sufficiency and triggers targeted refinement only when necessary, with an agentic retriever that progressively escalates retrieval effort and maps graph signals back to provenance text to remain robust under extraction loss and incomplete graphs. Experiments on HotpotQA and 2WikiMultiHopQA demonstrate that A2RAG achieves +9.9/+11.8 absolute gains in Recall@2, while cutting token consumption and end-to-end latency by about 50% relative to iterative multihop baselines.
• Abstract（参考訳）: Graph Retrieval-Augmented Generation (Graph-RAG)は、知識グラフにコーパスを整理し、関係構造を通して証拠をルーティングすることにより、マルチホップ質問応答を強化する。 しかし、実践的なデプロイメントは2つの永続的なボトルネックに直面します。 (i)一大検索が簡単なクエリでコストを浪費するか、ハードなマルチホップケースでフェールする混在型ワークロード。 (ii) 抽出損失は、グラフの抽象化によって、ソーステキストにのみ残る微粒な等化子を省略する。 A2RAGは,低コストで信頼性の高い推論のためのアダプティブ・アンド・アジェンティックなGraphRAGフレームワークである。 A2RAGは、証拠の有効性を検証し、必要なときにのみ目的の精錬をトリガーする適応制御器と、検索を段階的にエスカレートするエージェント検索器と、抽出損失と不完全グラフの下で頑健なまま、前駆テキストにグラフ信号をマップするエージェント検索器とを結合する。 HotpotQAと2WikiMultiHopQAの実験では、A2RAGはRecall@2で+9.9/+11.8の絶対的なゲインを達成する一方で、トークン消費とエンドツーエンドのレイテンシを反復的なマルチホップベースラインと比較して約50%削減している。

関連論文リスト

• ProGraph-R1: Progress-aware Reinforcement Learning for Graph Retrieval Augmented Generation [37.11787010202267]
  ProGraph-R1は,グラフベースの検索と多段階推論のためのプログレッシブ・エージェント・フレームワークである。 ProGraph-R1は、意味的関連性とグラフ接続性について共同で検討する構造対応のハイパーグラフ検索機構を導入している。 マルチホップ質問応答ベンチマークの実験では、ProGraph-R1は既存のGraphRAG法よりも推論精度と生成品質を一貫して改善している。
  論文  参考訳（メタデータ） (2026-01-25T08:58:44Z)
• Query-Efficient Agentic Graph Extraction Attacks on GraphRAG Systems [29.89127594311822]
  グラフベースの検索拡張生成(GraphRAG)システムは、文書コレクション上の知識グラフを構築し、マルチホップ推論をサポートする。 提案手法では,相手が適応的にシステムに問い合わせて潜伏するエンティティ関係グラフを盗む,予算制約付きブラックボックス設定について検討する。 本稿では,新たな探索探索戦略,外部グラフメモリモジュール,および2段階グラフ抽出パイプラインを活用するフレームワークであるAGEAを提案する。
  論文  参考訳（メタデータ） (2026-01-21T05:20:54Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• You Don't Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures [16.867592142212203]
  大型言語モデル(LLM)はしばしば幻覚に悩まされ、知識を超えた質問を処理する際に、事実的に誤った文を生成する。 Retrieval-augmented Generation (RAG)は、LLM推論をサポートするために、知識ベースからクエリ関連コンテキストを取得することで、この問題に対処する。 既存のGraphベースのRAGメソッドは、コーパスをグラフに変換するためのコストの高いプロセスに依存しており、圧倒的なトークンコストとアップデートのレイテンシを導入している。 本稿では,推論時に推論構造を動的に抽出し,事前に構築したグラフを使わずに適応検索を誘導するLogicRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-08T08:07:40Z)
• Clue-RAG: Towards Accurate and Cost-Efficient Graph-based RAG via Multi-Partite Graph and Query-Driven Iterative Retrieval [15.599544326509436]
  Retrieval-Augmented Generation (RAG) は、しばしばグラフ構造化データから外部情報を統合することで制限に対処する。 本稿では,マルチパーティグラフインデックスとクエリ駆動反復検索戦略を導入した新しいアプローチであるClue-RAGを提案する。 3つのQAベンチマークの実験により、Clue-RAGは最先端のベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-07-11T09:36:45Z)
• 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)
• 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)
• 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)

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。