論文の概要: Topology of Reasoning: Retrieved Cell Complex-Augmented Generation for Textual Graph Question Answering

• arxiv url: http://arxiv.org/abs/2602.19240v1
• Date: Sun, 22 Feb 2026 15:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.545933
• Title: Topology of Reasoning: Retrieved Cell Complex-Augmented Generation for Textual Graph Question Answering
• Title（参考訳）: Reasoningのトポロジー: テキストグラフ質問応答のための検索セルコンプレックス生成
• Authors: Sen Zhao, Lincheng Zhou, Yue Chen, Ding Zou,
• Abstract要約: Topology-enhanced Retrieval-Augmented Generation (TopoRAG)は、テキストグラフ質問応答のための新しいフレームワークである。 TopoRAGはまずテキストグラフを細胞複合体に上げ、多次元トポロジー構造をモデル化する。 多次元トポロジカル推論機構がこれらの複合体上で動作し、関係情報を伝達する。
• 参考スコア（独自算出の注目度）: 13.616604189732262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) enhances the reasoning ability of Large Language Models (LLMs) by dynamically integrating external knowledge, thereby mitigating hallucinations and strengthening contextual grounding for structured data such as graphs. Nevertheless, most existing RAG variants for textual graphs concentrate on low-dimensional structures -- treating nodes as entities (0-dimensional) and edges or paths as pairwise or sequential relations (1-dimensional), but overlook cycles, which are crucial for reasoning over relational loops. Such cycles often arise in questions requiring closed-loop inference about similar objects or relative positions. This limitation often results in incomplete contextual grounding and restricted reasoning capability. In this work, we propose Topology-enhanced Retrieval-Augmented Generation (TopoRAG), a novel framework for textual graph question answering that effectively captures higher-dimensional topological and relational dependencies. Specifically, TopoRAG first lifts textual graphs into cellular complexes to model multi-dimensional topological structures. Leveraging these lifted representations, a topology-aware subcomplex retrieval mechanism is proposed to extract cellular complexes relevant to the input query, providing compact and informative topological context. Finally, a multi-dimensional topological reasoning mechanism operates over these complexes to propagate relational information and guide LLMs in performing structured, logic-aware inference. Empirical evaluations demonstrate that our method consistently surpasses existing baselines across diverse textual graph tasks.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、外部知識を動的に統合することにより、Large Language Models (LLMs) の推論能力を高め、それによって幻覚を緩和し、グラフのような構造化データに対する文脈的基盤を強化する。 しかしながら、既存のテキストグラフのRAG変種は、ノードをエンティティ(0次元)として、エッジまたはパスをペアワイドまたはシーケンシャルな関係(1次元)として扱うという低次元構造に集中しているが、リレーショナルループの推論には重要なオーバールックサイクルがある。 このようなサイクルは、類似した対象や相対的な位置に関する閉ループ推論を必要とする問題でしばしば生じる。 この制限は、しばしば不完全な文脈基底と制限された推論能力をもたらす。 本研究では,高次元トポロジカルおよびリレーショナルな依存関係を効果的にキャプチャする,テキストグラフ質問応答のための新しいフレームワークであるトポロジ強化検索生成(TopoRAG)を提案する。 具体的には、TopoRAGはまずテキストグラフを細胞複合体に上げ、多次元トポロジー構造をモデル化する。 これらの持ち上げ表現を活用することで、入力クエリに関連する細胞複合体を抽出し、コンパクトかつ情報的トポロジカルコンテキストを提供するトポロジ対応サブプレックス検索機構を提案する。 最後に、多次元トポロジカル推論機構がこれらの複合体上で動作し、関係情報を伝播し、構造化された論理的推論の実行においてLLMを誘導する。 実験により,本手法は多種多様なテキストグラフタスクにまたがる既存のベースラインを一貫して上回っていることが示された。

関連論文リスト

• From Chains to DAGs: Probing the Graph Structure of Reasoning in LLMs [14.863369207533966]
  本稿では,DAG形状の推論がモデル内部にエンコードされているかどうかを問うフレームワークであるReasoning DAG Probingを紹介する。 我々はこれらのプローブを用いて、DAG構造の階層的出現を分析し、推論関連構造を乱す制御を評価する。 この結果から,DAGの幾何学的推論が中間層に有意に符号化されていることを示す。
  論文  参考訳（メタデータ） (2026-01-24T21:11:51Z)
• Disco-RAG: Discourse-Aware Retrieval-Augmented Generation [81.53888908988756]
  生成プロセスに談話信号を注入する談話認識フレームワークであるディスコRAGを提案する。 提案手法は,チャンク内談話木を構築し,局所階層を捕捉し,クロスパスコヒーレンスをモデル化するためのチャンク間修辞グラフを構築する。 質問応答と長期文書要約ベンチマークの実験から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-01-07T20:32:50Z)
• RouteRAG: Efficient Retrieval-Augmented Generation from Text and Graph via Reinforcement Learning [69.87510139069218]
  Retrieval-Augmented Generation (RAG)は、非パラメトリック知識をLarge Language Models (LLM)に統合する 強化学習(RL)による多ターン推論へのテキストベースRAGの進歩 LLMがマルチターンおよび適応的なグラフテキストハイブリッドRAGを実現するためのRLベースのフレームワークであるモデルを導入する。
  論文  参考訳（メタデータ） (2025-12-10T10:05:31Z)
• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• LinearRAG: Linear Graph Retrieval Augmented Generation on Large-scale Corpora [17.929144506419064]
  Retrieval-Augmented Generation (RAG) は大規模言語モデル(LLM)の幻覚を軽減するために広く用いられている。 既存のグラフベースのRAG法は、グラフ構築のための不安定でコストのかかる関係抽出に依存している。 信頼性の高いグラフ構築と正確な経路抽出を可能にする効率的なフレームワークであるLinearRAGを提案する。
  論文  参考訳（メタデータ） (2025-10-11T08:43:45Z)
• 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)
• 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)
• Demystifying Topological Message-Passing with Relational Structures: A Case Study on Oversquashing in Simplicial Message-Passing [11.759008086355914]
  トポロジカルディープラーニング(TDL)は,関係データの高次相互作用をモデル化するための強力なツールとして登場した。 本稿では,グラフとトポロジカルメッセージパッシングを橋渡しする,統一的な公理的フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-06T23:31:36Z)
• 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)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• Query Structure Modeling for Inductive Logical Reasoning Over Knowledge Graphs [67.043747188954]
  KGに対する帰納的論理的推論のための構造モデル付きテキスト符号化フレームワークを提案する。 線形化されたクエリ構造とエンティティを、事前訓練された言語モデルを使ってエンコードして、回答を見つける。 2つの帰納的論理推論データセットと3つの帰納的推論データセットについて実験を行った。
  論文  参考訳（メタデータ） (2023-05-23T01:25:29Z)

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。