論文の概要: SCOUT-RAG: Scalable and Cost-Efficient Unifying Traversal for Agentic Graph-RAG over Distributed Domains
- arxiv url: http://arxiv.org/abs/2602.08400v1
- Date: Mon, 09 Feb 2026 09:00:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:25.137894
- Title: SCOUT-RAG: Scalable and Cost-Efficient Unifying Traversal for Agentic Graph-RAG over Distributed Domains
- Title（参考訳）: SCOUT-RAG:分散ドメイン上のエージェントグラフRAGのためのスケーラブルで費用効率の良い統一トラバーサル
- Authors: Longkun Li, Yuanben Zou, Jinghan Wu, Yuqing Wen, Jing Li, Hangwei Qian, Ivor Tsang,
- Abstract要約: SCOUT-RAGは分散エージェントグラフ-RAGフレームワークであり、段階的なユーティリティ目標によってガイドされるクロスドメイン検索を実行する。
レイテンシとAPIコストを制御しながら、有用なドメイン情報の欠如として定義された、リカバリの後悔を最小限に抑えるように設計されている。
- 参考スコア（独自算出の注目度）: 8.29471330425443
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph-RAG improves LLM reasoning using structured knowledge, yet conventional designs rely on a centralized knowledge graph. In distributed and access-restricted settings (e.g., hospitals or multinational organizations), retrieval must select relevant domains and appropriate traversal depth without global graph visibility or exhaustive querying. To address this challenge, we introduce \textbf{SCOUT-RAG} (\textit{\underline{S}calable and \underline{CO}st-efficient \underline{U}nifying \underline{T}raversal}), a distributed agentic Graph-RAG framework that performs progressive cross-domain retrieval guided by incremental utility goals. SCOUT-RAG employs four cooperative agents that: (i) estimate domain relevance, (ii) decide when to expand retrieval to additional domains, (iii) adapt traversal depth to avoid unnecessary graph exploration, and (iv) synthesize the high-quality answers. The framework is designed to minimize retrieval regret, defined as missing useful domain information, while controlling latency and API cost. Across multi-domain knowledge settings, SCOUT-RAG achieves performance comparable to centralized baselines, including DRIFT and exhaustive domain traversal, while substantially reducing cross-domain calls, total tokens processed, and latency.
- Abstract（参考訳）: Graph-RAGは構造化知識を用いたLCM推論を改善するが、従来の設計では中央集権知識グラフに依存していた。
分散およびアクセス制限設定(例えば、病院や多国籍組織)では、検索は、グローバルグラフの可視性や網羅的なクエリーなしで、関連するドメインと適切なトラバース深さを選択する必要がある。
この課題に対処するために、我々は、段階的なユーティリティゴールによってガイドされるプログレッシブなクロスドメイン検索を実行する分散エージェントグラフ-RAGフレームワークである \textbf{SCOUT-RAG} (\textit{\underline{S}calable and \underline{CO}st-efficient \underline{U}nifying \underline{T}raversal})を紹介した。
SCOUT-RAGは4つの協力エージェントを雇用している。
(i)ドメイン関連性の推定
二 検索を他の領域に拡大する時期を決定すること。
三 不要なグラフ探索を避けるために横断深度に適応すること。
(4)高品質な回答を合成する。
このフレームワークは、遅延とAPIコストを制御しながら、有用なドメイン情報の欠如として定義された、リカバリの後悔を最小限に抑えるように設計されている。
マルチドメインの知識設定全体にわたって、SCOUT-RAGは、DRIFTや網羅的なドメイントラバースを含む集中型ベースラインに匹敵するパフォーマンスを達成すると同時に、クロスドメイン呼び出し、トータルトークン処理、レイテンシを大幅に削減する。
関連論文リスト
- Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation [58.41482540044918]
クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は医療応用に有望でデータ効率のよいソリューションを提供する。
本稿では,医用画像の構造的整合性を利用したコントラストグラフモデリング(C-Graph)を提案する。
論文 参考訳（メタデータ） (2025-12-25T14:00:17Z) - 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) - Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning [32.78218766121055]
グラフ検索拡張生成(GraphRAG)は,複雑な推論において,大規模言語モデルを効果的に拡張した。
本稿では,フレームワーク全体を複雑な統合として結合する,垂直に統一されたエージェントパラダイムYoutu-GraphRAGを提案する。
論文 参考訳（メタデータ） (2025-08-27T13:13:20Z) - LeanRAG: Knowledge-Graph-Based Generation with Semantic Aggregation and Hierarchical Retrieval [10.566901995776025]
LeanRAGは知識集約と検索戦略を組み合わせたフレームワークです。
グラフ上のパス検索に関連するかなりのオーバーヘッドを軽減し、冗長な情報検索を最小限にする。
論文 参考訳（メタデータ） (2025-08-14T06:47:18Z) - Enhancing Transferability and Consistency in Cross-Domain Recommendations via Supervised Disentanglement [13.553355329509243]
クロスドメインレコメンデーションは、ドメイン間で知識を伝達することで、データの疎さを軽減することを目的としている。
分散表現学習は、複雑なユーザの好みをモデル化するための効果的なソリューションを提供する。
本稿では,GNN を拡張したエンコーダデコーダフレームワーク DGCDR を提案する。
論文 参考訳（メタデータ） (2025-07-23T01:29:45Z) - SemRAG: Semantic Knowledge-Augmented RAG for Improved Question-Answering [2.4874078867686085]
SemRAGは、ドメイン固有の知識を効率的に統合する拡張Retrieval Augmented Generation(RAG)フレームワークである。
セマンティックチャンキングアルゴリズムを用いて、文の埋め込みからコサイン類似性に基づいて文書を分割し、セマンティックコヒーレンスを保存する。
検索した情報を知識グラフに構造化することにより、SemRAGはエンティティ間の関係をキャプチャし、検索精度とコンテキスト理解を改善する。
論文 参考訳（メタデータ） (2025-07-10T11:56:25Z) - 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) - Retrieval-Augmented Generation with Graphs (GraphRAG) [84.29507404866257]
Retrieval-augmented Generation (RAG) は、追加情報を取得することによって下流タスクの実行を向上させる強力な技術である。
グラフは、その固有の「エッジで接続されたノード」の性質により、巨大な異種情報と関係情報を符号化する。
従来のRAGとは異なり、多種多様な形式とドメイン固有の関係知識のようなグラフ構造化データのユニークさは、異なるドメインでGraphRAGを設計する際、ユニークで重要な課題を生じさせる。
論文 参考訳（メタデータ） (2024-12-31T06:59:35Z) - Towards Unified and Adaptive Cross-Domain Collaborative Filtering via Graph Signal Processing [48.04521184170971]
CDR(Cross-Domain Recommendation)は、疎いターゲットドメインのレコメンデーションを改善するために高密度ドメインを活用することで、有望なソリューションとして登場した。
グラフ信号処理(GSP)に基づく統一適応型CDRフレームワークCGSPを提案する。
論文 参考訳（メタデータ） (2024-07-17T07:52:45Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端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） (2022-06-06T05:12:48Z)
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。