論文の概要: Towards Robust Retrieval-Augmented Generation Based on Knowledge Graph: A Comparative Analysis

• arxiv url: http://arxiv.org/abs/2603.05698v2
• Date: Mon, 09 Mar 2026 22:07:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 12:59:12.928763
• Title: Towards Robust Retrieval-Augmented Generation Based on Knowledge Graph: A Comparative Analysis
• Title（参考訳）: 知識グラフに基づくロバスト検索型生成に向けて:比較分析
• Authors: Hazem Amamou, Stéphane Gagnon, Alan Davoust, Anderson R. Avila,
• Abstract要約: Retrieval-Augmented Generation (RAG) は、Large Language Models (LLM) の機能を強化するために導入された。 不整合検索情報はLLM応答に悪影響を及ぼす可能性がある。 RGB (Retrieval-Augmented Generation Benchmark) を導入し,RAGシステムのロバスト性を評価する。
• 参考スコア（独自算出の注目度）: 1.8315988392353102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) was introduced to enhance the capabilities of Large Language Models (LLMs) beyond their encoded prior knowledge. This is achieved by providing LLMs with an external source of knowledge, which helps reduce factual hallucinations and enables access to new information not available during pretraining. However, inconsistent retrieved information can negatively affect LLM responses. The Retrieval-Augmented Generation Benchmark (RGB) was introduced to evaluate the robustness of RAG systems under such conditions. In this work, we use the RGB corpus to evaluate LLMs in four scenarios: noise robustness, information integration, negative rejection, and counterfactual robustness. We perform a comparative analysis between the RGB RAG baseline and GraphRAG, a knowledge graph based retrieval system. We test three GraphRAG customizations to improve robustness. Results show improvements over the RGB baseline and provide insights for designing more reliable RAG systems for real world scenarios.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、Large Language Models (LLM) の機能を強化するために導入された。 これは、事実の幻覚を減らし、事前訓練中に入手できない新しい情報へのアクセスを可能にする、外部の知識源を備えたLLMを提供することによって達成される。 しかし、一貫性のない検索情報はLLM応答に悪影響を及ぼす可能性がある。 RGB (Retrieval-Augmented Generation Benchmark) を導入し,RAGシステムのロバスト性を評価する。 本研究では,RGBコーパスを用いて,ノイズ堅牢性,情報統合,否定的拒絶,反実的ロバスト性という4つのシナリオでLCMを評価する。 RGB RAGベースラインと知識グラフに基づく検索システムであるGraphRAGの比較分析を行う。 堅牢性を改善するために,GraphRAGのカスタマイズを3つテストする。 その結果、RGBベースラインよりも改善され、現実シナリオのための信頼性の高いRAGシステムを設計するための洞察が得られた。

関連論文リスト

• 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)
• Weak-to-Strong GraphRAG: Aligning Weak Retrievers with Large Language Models for Graph-based Retrieval Augmented Generation [29.492846663357565]
  グラフベースの検索拡張生成(RAG)により、大規模な言語モデル(LLM)が幻覚を緩和できる。 本稿では、Refined Graph-based RAG (ReG)を導入し、弱いレトリバーをグラフベースRAGのLLMに整列させる。 ReGはLSMフィードバックを取り入れて、刺激的な信号を取り除き、監視の質を向上させる。
  論文  参考訳（メタデータ） (2025-06-26T17:40:23Z)
• Simple Is Effective: The Roles of Graphs and Large Language Models in Knowledge-Graph-Based Retrieval-Augmented Generation [9.844598565914055]
  大きな言語モデル(LLM)は強い推論能力を示すが、幻覚や時代遅れの知識のような制限に直面している。 本稿では、サブグラフを検索する知識グラフ(KG)ベースのRetrieval-Augmented Generation(RAG)フレームワークを拡張するSubgraphRAGを紹介する。 提案手法は,高効率かつフレキシブルなサブグラフ検索を実現するために,並列3重装飾機構を備えた軽量多層パーセプトロンを革新的に統合する。
  論文  参考訳（メタデータ） (2024-10-28T04:39:32Z)
• RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
  本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。 事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。 実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
  論文  参考訳（メタデータ） (2024-08-02T13:35:11Z)
• RAGGED: Towards Informed Design of Scalable and Stable RAG Systems [51.171355532527365]
  Retrieval-augmented Generation (RAG)は、外部知識を統合することで言語モデルを強化する。 RAGGEDは、RAGシステムを体系的に評価するためのフレームワークである。
  論文  参考訳（メタデータ） (2024-03-14T02:26:31Z)
• Benchmarking Large Language Models in Retrieval-Augmented Generation [53.504471079548]
  大規模言語モデルに対する検索拡張生成の影響を系統的に検討する。 我々は、RAGに必要な4つの基本能力で、異なる大規模言語モデルの性能を解析する。 RGB(Retrieval-Augmented Generation Benchmark)は、英語と中国語の両方でRAG評価を行うための新しいコーパスである。
  論文  参考訳（メタデータ） (2023-09-04T08:28:44Z)

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。