論文の概要: Beyond Explicit Edges: Robust Reasoning over Noisy and Sparse Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2603.14006v1
• Date: Sat, 14 Mar 2026 16:16:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.540199
• Title: Beyond Explicit Edges: Robust Reasoning over Noisy and Sparse Knowledge Graphs
• Title（参考訳）: 明示的なエッジを超えて - ノイズとスパース知識グラフに対するロバスト推論
• Authors: Hang Gao, Dimitris N. Metaxas,
• Abstract要約: INSESは明示的なエッジを超えて推論するために設計された動的フレームワークである。 LLM誘導航法はノイズやステアリングを誘発し、埋め込みベースの類似性拡張と組み合わせている。 複数のベンチマークでSOTA RAGとGraphRAGのベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 39.73839943827917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: GraphRAG is increasingly adopted for converting unstructured corpora into graph structures to enable multi-hop reasoning. However, standard graph algorithms rely heavily on static connectivity and explicit edges, often failing in real-world scenarios where knowledge graphs (KGs) are noisy, sparse, or incomplete. To address this limitation, we introduce INSES (Intelligent Navigation and Similarity Enhanced Search), a dynamic framework designed to reason beyond explicit edges. INSES couples LLM-guided navigation, which prunes noise and steers exploration, with embedding-based similarity expansion to recover hidden links and bridge semantic gaps. Recognizing the computational cost of graph reasoning, we complement INSES with a lightweight router that delegates simple queries to Naïve RAG and escalates complex cases to INSES, balancing efficiency with reasoning depth. INSES consistently outperforms SOTA RAG and GraphRAG baselines across multiple benchmarks. Notably, on the MINE benchmark, it demonstrates superior robustness across KGs constructed by varying methods (KGGEN, GraphRAG, OpenIE), improving accuracy by 5%, 10%, and 27%, respectively.
• Abstract（参考訳）: GraphRAGは、構造化されていないコーパスをグラフ構造に変換することで、マルチホップ推論を可能にしている。 しかし、標準的なグラフアルゴリズムは静的な接続性や明示的なエッジに大きく依存しており、知識グラフ(KG)がノイズ、スパース、不完全である実世界のシナリオでは失敗することが多い。 この制限に対処するために、明示的なエッジを越えて推論するために設計された動的フレームワークであるINSES(Intelligent Navigation and similarity Enhanced Search)を導入する。 INSESはLLM誘導ナビゲーションを結合し、ノイズやステアの探索を行い、埋め込みベースの類似性拡張により隠れリンクとブリッジセマンティックギャップを回復する。 グラフ推論の計算コストを認識して,単純なクエリをNaeve RAGに委譲し,複雑なケースをINSESにエスカレートする軽量ルータでINSESを補完し,推論深度と効率のバランスをとる。 INSESは複数のベンチマークでSOTA RAGとGraphRAGのベースラインを上回っている。 特に、MINEベンチマークでは、様々な手法(KGGEN、GraphRAG、OpenIE)で構築されたKGに対して優れた堅牢性を示し、それぞれ5%、10%、および27%の精度向上を実現している。

関連論文リスト

• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• Use Graph When It Needs: Efficiently and Adaptively Integrating Retrieval-Augmented Generation with Graphs [12.14017207383674]
  大型言語モデル(LLM)は幻覚や古くなったパラメトリック知識のために知識集約的な課題に苦しむことが多い。 Retrieval-Augmented Generation (RAG) は外部コーパスを統合することでこの問題に対処するが、その有効性は非構造化ドメイン文書の断片化情報によって制限される。 GraphRAGは構造化知識グラフによる文脈推論を強化するために登場したが、現実のシナリオではバニラRAGをパラドックス的に過小評価している。 本稿では,構文認識複雑性解析によりRAGとGraphRAGのパラダイムを動的に統合するEA-GraphRAGを提案する。
  論文  参考訳（メタデータ） (2026-02-03T14:26:28Z)
• 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)
• 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)
• 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)
• Inference Scaled GraphRAG: Improving Multi Hop Question Answering on Knowledge Graphs [15.036480111358369]
  大きな言語モデル(LLM)は、言語理解と生成において印象的な能力を達成した。 構造化コンテキストやマルチホップ情報へのアクセスが限られているため、知識集約的推論タスクではパフォーマンスが低下し続けています。 Inference-Scaled GraphRAGは、推論時間計算のスケーリングを適用してLLMベースのグラフ推論を強化する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-06-24T19:31:03Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• 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)

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。