論文の概要: HyperRAG: Reasoning N-ary Facts over Hypergraphs for Retrieval Augmented Generation

• arxiv url: http://arxiv.org/abs/2602.14470v1
• Date: Mon, 16 Feb 2026 05:15:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.155821
• Title: HyperRAG: Reasoning N-ary Facts over Hypergraphs for Retrieval Augmented Generation
• Title（参考訳）: HyperRAG:Retrieval Augmented Generationのためのハイパーグラフ上のN-ary Factsの推論
• Authors: Wen-Sheng Lien, Yu-Kai Chan, Hao-Lung Hsiao, Bo-Kai Ruan, Meng-Fen Chiang, Chien-An Chen, Yi-Ren Yeh, Hong-Han Shuai,
• Abstract要約: HyperRAGは、n-aryハイパーグラフに適したRAGフレームワークである。 クエリ条件付きリレーショナルチェインを構築するため、n-ary事実に対する構造意味推論を学ぶ。 MRRでは平均2.95%、Hits@10では1.23%、全体の回答精度は最高である。
• 参考スコア（独自算出の注目度）: 22.189132611244105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based retrieval-augmented generation (RAG) methods, typically built on knowledge graphs (KGs) with binary relational facts, have shown promise in multi-hop open-domain QA. However, their rigid retrieval schemes and dense similarity search often introduce irrelevant context, increase computational overhead, and limit relational expressiveness. In contrast, n-ary hypergraphs encode higher-order relational facts that capture richer inter-entity dependencies and enable shallower, more efficient reasoning paths. To address this limitation, we propose HyperRAG, a RAG framework tailored for n-ary hypergraphs with two complementary retrieval variants: (i) HyperRetriever learns structural-semantic reasoning over n-ary facts to construct query-conditioned relational chains. It enables accurate factual tracking, adaptive high-order traversal, and interpretable multi-hop reasoning under context constraints. (ii) HyperMemory leverages the LLM's parametric memory to guide beam search, dynamically scoring n-ary facts and entities for query-aware path expansion. Extensive evaluations on WikiTopics (11 closed-domain datasets) and three open-domain QA benchmarks (HotpotQA, MuSiQue, and 2WikiMultiHopQA) validate HyperRAG's effectiveness. HyperRetriever achieves the highest answer accuracy overall, with average gains of 2.95% in MRR and 1.23% in Hits@10 over the strongest baseline. Qualitative analysis further shows that HyperRetriever bridges reasoning gaps through adaptive and interpretable n-ary chain construction, benefiting both open and closed-domain QA.
• Abstract（参考訳）: グラフベースの検索拡張生成(RAG)手法は、通常、知識グラフ(KG)とバイナリリレーショナル事実に基づいて構築されるが、マルチホップオープンドメインQAにおいて有望であることが示されている。 しかし、それらの厳密な検索スキームと密接な類似性探索は、しばしば無関係な文脈を導入し、計算オーバーヘッドを増大させ、関係表現性を制限する。 対照的に、n-aryハイパーグラフはより高階のリレーショナル事実を符号化し、よりリッチな相互依存をキャプチャし、より浅い、より効率的な推論パスを可能にする。 この制限に対処するために,n-ary ハイパーグラフに適した RAG フレームワークである HyperRAG を提案する。 (i) HyperRetrieverは、クエリ条件付きリレーショナルチェインを構築するために、n-ary事実に関する構造意味推論を学ぶ。 コンテキスト制約の下で、正確な事実追跡、適応的な高次トラバーサル、解釈可能なマルチホップ推論を可能にする。 (ii) HyperMemory は LLM のパラメトリックメモリを利用してビーム探索を誘導し,クエリ対応パス拡張のための n-ary 事実と実体を動的に評価する。 WikiTopics(11のクローズドドメインデータセット)と3つのオープンドメインQAベンチマーク(HotpotQA、MuSiQue、および2WikiMultiHopQA)の大規模な評価は、HyperRAGの有効性を検証する。 HyperRetrieverは、MRRが2.95%、Hits@10が1.23%、全体の回答精度が最も高い。 定性的解析により、ハイパーRetrieverは、適応的および解釈可能なn-ary鎖構造を通じてギャップを推論し、開領域QAと閉領域QAの両方に利益をもたらすことが示される。

関連論文リスト

• 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)
• SUBQRAG: Sub-Question Driven Dynamic Graph RAG [34.20328335590984]
  SubQRAGは、推論深度を高めるサブクエスト駆動のフレームワークである。 SubQRAGは複雑な質問を検証可能なサブクエストの順序付けられた連鎖に分解する。 3つのマルチホップQAベンチマークの実験では、SubQRAGが一貫性と大幅な改善を実現している。
  論文  参考訳（メタデータ） (2025-10-09T02:55:58Z)
• Query-Centric Graph Retrieval Augmented Generation [15.423162448800134]
  QCG-RAGはクエリ中心のグラフRAGフレームワークで、クエリ粒度インデックスとマルチホップチャンク検索を可能にする。 LiHuaWorldとMultiHop-RAGの実験では、QCG-RAGは問合せ精度において、チャンクベースおよびグラフベースのRAG法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-09-25T14:35:44Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• Hybrid Deep Searcher: Integrating Parallel and Sequential Search Reasoning [57.78245296980122]
  本稿では,自然質問から自動生成されるデータセットであるHDS-QA(Hybrid Deep Search QA)を紹介する。 並列化可能な独立サブクエリ(同時に実行可能)と逐次依存サブクエリ(ステップバイステップの解決を必要とする)を組み合わせたハイブリッドホップ質問を含む。 モデルの名称はHybridDeepSearcherで、複数のベンチマークで最先端のベースラインを上回っています。
  論文  参考訳（メタデータ） (2025-08-26T15:15:17Z)
• Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering [49.43814054718318]
  マルチホップ質問応答 (MHQA) は、正しい回答を得るために複数の経路に散在する知識を統合する必要がある。 従来の検索拡張生成法(RAG)は主に粗い粒度のテキスト意味的類似性に焦点を当てている。 本稿では,HGRAG for MHQAという新しいRAG手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T06:36:13Z)
• 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)
• Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval [22.33550491040999]
  RAGは、大きな言語モデルを外部の証拠に基礎を置いているが、セマンティックに遠く離れた文書で答えをまとめなければならないと、いまだに混乱している。 私たちは、StatementGraphRAGとTopicGraphRAGという2つのプラグイン・アンド・プレイレトリバーを構築します。 提案手法は,検索リコールと正当性において平均23.1%の相対的改善を達成し,有意なチャンクベースRAGよりも優れていた。
  論文  参考訳（メタデータ） (2025-06-09T17:58:35Z)
• 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)
• Transformers for Complex Query Answering over Knowledge Hypergraphs [48.55646194244594]
  三重KGは、アーニティ2の実体と関係からなる古典的なKGとして、現実世界の事実の限定的な表現を持つ。 本稿では,2段階の変圧器モデルである論理知識ハイパーグラフ変換器(LKHGT)を提案する。 CQAデータセットの実験結果から,LKHGTはKHG上の最先端のCQA手法であり,アウト・オブ・ディストリビューションクエリタイプに一般化可能であることが示された。
  論文  参考訳（メタデータ） (2025-04-23T09:07:21Z)

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。