論文の概要: Breaking the Static Graph: Context-Aware Traversal for Robust Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2602.01965v1
• Date: Mon, 02 Feb 2026 11:13:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.099657
• Title: Breaking the Static Graph: Context-Aware Traversal for Robust Retrieval-Augmented Generation
• Title（参考訳）: 静的グラフを破る:ロバスト検索拡張生成のためのコンテキスト認識トラバーサル
• Authors: Kwun Hang Lau, Fangyuan Zhang, Boyu Ruan, Yingli Zhou, Qintian Guo, Ruiyuan Zhang, Xiaofang Zhou,
• Abstract要約: 堅牢なRAGのためのコンテキスト認識トラバーサルであるCatRAGを提案する。 CatRAGはHippoRAG 2アーキテクチャ上に構築され、静的なKGをクエリ適応ナビゲーション構造に変換する。 4つのマルチホップベンチマークの実験では、CatRAGはアートベースラインの状態を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 12.71443292660797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in Retrieval-Augmented Generation (RAG) have shifted from simple vector similarity to structure-aware approaches like HippoRAG, which leverage Knowledge Graphs (KGs) and Personalized PageRank (PPR) to capture multi-hop dependencies. However, these methods suffer from a "Static Graph Fallacy": they rely on fixed transition probabilities determined during indexing. This rigidity ignores the query-dependent nature of edge relevance, causing semantic drift where random walks are diverted into high-degree "hub" nodes before reaching critical downstream evidence. Consequently, models often achieve high partial recall but fail to retrieve the complete evidence chain required for multi-hop queries. To address this, we propose CatRAG, Context-Aware Traversal for robust RAG, a framework that builds on the HippoRAG 2 architecture and transforms the static KG into a query-adaptive navigation structure. We introduce a multi-faceted framework to steer the random walk: (1) Symbolic Anchoring, which injects weak entity constraints to regularize the random walk; (2) Query-Aware Dynamic Edge Weighting, which dynamically modulates graph structure, to prune irrelevant paths while amplifying those aligned with the query's intent; and (3) Key-Fact Passage Weight Enhancement, a cost-efficient bias that structurally anchors the random walk to likely evidence. Experiments across four multi-hop benchmarks demonstrate that CatRAG consistently outperforms state of the art baselines. Our analysis reveals that while standard Recall metrics show modest gains, CatRAG achieves substantial improvements in reasoning completeness, the capacity to recover the entire evidence path without gaps. These results reveal that our approach effectively bridges the gap between retrieving partial context and enabling fully grounded reasoning. Resources are available at https://github.com/kwunhang/CatRAG.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG)の最近の進歩は、単純なベクトル類似性から、知識グラフ(KG)とPersonalized PageRank(PPR)を活用してマルチホップ依存関係をキャプチャするHippoRAGのような構造認識アプローチへと移行している。 しかし、これらの手法は「統計グラフの誤り」に悩まされ、インデックス化の過程で決定される一定の遷移確率に依存する。 この剛性はエッジ関連性のクエリ依存性を無視し、ランダムウォークが重要な下流の証拠に到達する前に高次の「ハブ」ノードに分岐するセマンティックドリフトを引き起こす。 その結果、モデルはしばしば高い部分的リコールを達成するが、マルチホップクエリに必要な完全なエビデンスチェーンの取得に失敗する。 そこで我々は,HippoRAG 2アーキテクチャ上に構築され,静的なKGをクエリ適応型ナビゲーション構造に変換するフレームワークである,ロバストなRAGのためのCataRAG,Context-Aware Traversalを提案する。 ランダムウォークを制御するための多面的フレームワークを提案する。(1) ランダムウォークを規則化するために弱いエンティティ制約を注入するシンボリックアンチョリング、(2) 動的にグラフ構造を変調するクエリ・アウェア・ダイナミックエッジウェイトリング、(2) クエリの意図に合わせてそれらを増幅しながら無関係な経路を創り出すためのクエリ・アウェア・ダイナミックエッジウェイトリング、(3) ランダムウォークを構造的に固定するコスト効率の高いバイアスであるキー・ファクト・パッセージウェイトエンハンスメント(Key-Fact Passage Weight Enhancement)。 4つのマルチホップベンチマークの実験では、CatRAGは最先端のベースラインを一貫して上回っている。 分析の結果,標準のリコール指標は適度な利得を示すが,CatRAGは完全性を推し進める上で大幅な改善を達成し,ギャップを伴わずにエビデンスパス全体を回復する能力を示した。 これらの結果から,本手法は部分的文脈の検索と完全基底推論のギャップを効果的に埋めることが判明した。 リソースはhttps://github.com/kwunhang/CatRAG.comで入手できる。

関連論文リスト

• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• PruneRAG: Confidence-Guided Query Decomposition Trees for Efficient Retrieval-Augmented Generation [19.832367438725306]
  PruneRAGは、安定かつ効率的な推論を行うために構造化されたクエリ分解ツリーを構築する。 我々は,ゴールデンエビデンスを回収するが正しく使用しない事例を定量化するための指標として,エビデンス予測率を定義した。
  論文  参考訳（メタデータ） (2026-01-16T06:38:17Z)
• Relink: Constructing Query-Driven Evidence Graph On-the-Fly for GraphRAG [10.60635000782353]
  本稿では,問合せ固有のエビデンスグラフを動的に構築するフレームワークであるRelinkを提案する。 Relinkは、主要なGraphRAGベースラインよりもEMで5.4%、F1で5.2%の大幅な平均改善を実現している。
  論文  参考訳（メタデータ） (2026-01-12T04:35:23Z)
• A Navigational Approach for Comprehensive RAG via Traversal over Proposition Graphs [23.840376380790783]
  ToPGは知識ベースを命題、実体、通過の異種グラフとしてモデル化する。 TOPGは精度と品質ベースのメトリクスの両方で強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-01-08T11:50:40Z)
• 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)
• Beyond Static Retrieval: Opportunities and Pitfalls of Iterative Retrieval in GraphRAG [40.27922416050001]
  グラフベースのRAG(GraphRAG)は、知識集約型質問応答において、大規模言語モデル(LLM)を改善するための強力なパラダイムである。 反復検索は有望な代替手段として登場したが、GraphRAGにおけるその役割は未だよく分かっていない。 本稿では,グラフベースのバックボーンと異なる戦略がどのように相互作用するかを解析し,グラフRAGにおける反復検索に関する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2025-09-29T21:38:28Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)

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。