論文の概要: Mitigating KG Quality Issues: A Robust Multi-Hop GraphRAG Retrieval Framework

• arxiv url: http://arxiv.org/abs/2603.14828v1
• Date: Mon, 16 Mar 2026 05:08:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.062502
• Title: Mitigating KG Quality Issues: A Robust Multi-Hop GraphRAG Retrieval Framework
• Title（参考訳）: KG品質問題の緩和:ロバストなマルチホップグラフRAG検索フレームワーク
• Abstract要約: C2RAG(Constraint-Checked Retrieval-Augmented Generation)を提案する。 C2RAGは最新のベースラインを平均3.4%のEMと3.9%のF1で一貫して上回っている。
• 参考スコア（独自算出の注目度）: 11.158010513386664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Retrieval-Augmented Generation enhances multi-hop reasoning but relies on imperfect knowledge graphs that frequently suffer from inherent quality issues. Current approaches often overlook these issues, consequently struggling with retrieval drift driven by spurious noise and retrieval hallucinations stemming from incomplete information. To address these challenges, we propose C2RAG (Constraint-Checked Retrieval-Augmented Generation), a framework aimed at robust multi-hop retrieval over the imperfect KG. First, C2RAG performs constraint-based retrieval by decomposing each query into atomic constraint triples, with using fine-grained constraint anchoring to filter candidates for suppressing retrieval drift. Second, C2RAG introduces a sufficiency check to explicitly prevent retrieval hallucinations by deciding whether the current evidence is sufficient to justify structural propagation, and activating textual recovery otherwise. Extensive experiments on multi-hop benchmarks demonstrate that C2RAG consistently outperforms the latest baselines by 3.4\% EM and 3.9\% F1 on average, while exhibiting improved robustness under KG issues.
• Abstract（参考訳）: Graph Retrieval-Augmented Generationは、マルチホップ推論を強化するが、固有の品質問題に悩まされる不完全な知識グラフに依存している。 現在のアプローチはしばしばこれらの問題を見落とし、結果として、不完全な情報から生じる急激なノイズと検索幻覚によって引き起こされる検索ドリフトに苦しむ。 これらの課題に対処するため,不完全なKG上での堅牢なマルチホップ検索を目的としたフレームワークであるC2RAG(Constraint-Checked Retrieval-Augmented Generation)を提案する。 まず、C2RAGは、各クエリをアトミックな制約トリプルに分解して制約ベースの検索を行う。 第二に、C2RAGは、現在の証拠が構造的伝播を正当化するのに十分かどうかを判断し、テキスト回復を活性化することにより、検索幻覚を明示的に防止するための十分チェックを導入する。 マルチホップベンチマークの大規模な実験により、C2RAGは最新のベースラインを平均3.4\% EMと3.9\% F1で一貫して上回り、KG問題下での堅牢性の向上を示した。

関連論文リスト

• Repair Before Reinforce: Context-Augmented Knowledge Graph Reasoning for Multi-Hop Question Answering [4.464939140209426]
  マルチホップ質問応答のための文脈拡張学習フレームワークを提案する。 一般に当てはまるが、病原性知識グラフの文脈において、この枠組みを検証する。 両疾患とも、コンテキスト強化された管理は、KGのみの監督よりもマルチホップ性能を一貫して改善する。
  論文  参考訳（メタデータ） (2026-09-10T21:39:11Z)
• Compositional Chain-of-Relations for Faithful Knowledge Graph Question Answering with Large Language Models [15.198501576080451]
  本稿では,検索単位としてエンティティではなく関係を用いた関係中心探索パラダイムを提案する。 4つのKGQAベンチマークの実験では、CCoRは強いベースラインよりも正確さ、忠実さ、効率性を一貫して改善している。
  論文  参考訳（メタデータ） (2026-08-24T03:34:19Z)
• R$^2$-Searcher: Calibrating Retrieval and Reasoning Boundaries for Agentic Search [59.034878430183305]
  R$2$-Searcherは、検索と推論の境界を明示的に探索し、校正する。 R$2$-Searcherは,解答精度と検索品質において,最先端のエージェント検索法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-06-26T19:44:34Z)
• S2G-RAG: Structured Sufficiency and Gap Judging for Iterative Retrieval-Augmented QA [20.283357470094774]
  本稿では,S2G-RAG(Structured Sufficiency and Gap-judging RAG)を提案する。 各ターンで、S2G-Judgeは、現在のエビデンスメモリが応答をサポートするかどうかを予測し、もしそうでなければ、不足した情報を記述した構造化されたギャップアイテムを出力する。 これらのギャップ項目は次のクエリにマッピングされ、安定したマルチターン検索トラジェクトリを生成する。
  論文  参考訳（メタデータ） (2026-04-26T16:17:54Z)
• Cycle-Consistent Search: Question Reconstructability as a Proxy Reward for Search Agent Training [80.20022221643414]
  Cycle-Consistent Searchは、検索エージェントを訓練するための金色のスーパービジョンのないフレームワークである。 CCSは教師付きベースラインに匹敵する性能を示す。 これらの結果から,CCSは金の監督が不可能な環境で検索エージェントを訓練するためのスケーラブルな訓練パラダイムを提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-04-14T17:00:18Z)
• PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering [57.89576196160413]
  大規模言語モデル (LLM) はマルチホップ質問応答 (MHQA) において脆弱のままである。 textbfPlanned Active Retrieval and Reasoning RAG (PAR$2-RAG)を提案する。
  論文  参考訳（メタデータ） (2026-03-30T23:52:54Z)
• BubbleRAG: Evidence-Driven Retrieval-Augmented Generation for Black-Box Knowledge Graphs [12.799582188076519]
  大規模言語モデル(LLM)は知識集約的なタスクに幻覚を呈する。 既存のアプローチは、ブラックボックスの知識グラフを操作する際に、基本的なリコールと精度の制限に悩まされている。 本稿では,リコールと精度の両方を体系的に最適化するトレーニングフリーパイプラインであるBubbleRAGを提案する。 マルチホップQAベンチマークの実験は、BubbleRAGが最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2026-03-19T16:00:36Z)
• MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries [2.756584457554517]
  Map-Disambiguate-Enrich-Reduce (MDER)はコンテキスト由来の3重記述を生成し、エンティティレベルの要約と統合する。 Decompose-Resolve (DR)は、ユーザクエリを解決可能なトリプルに分解し、知識グラフに格納する。 MDERとDRはLLM駆動のQAパイプラインを形成し、スパース、不完全、複雑なリレーショナルデータに対して堅牢である。
  論文  参考訳（メタデータ） (2026-03-11T18:38:44Z)
• Rethinking the Reranker: Boundary-Aware Evidence Selection for Robust Retrieval-Augmented Generation [64.09110141948693]
  Retrieval-Augmented Generation (RAG) システムは、現実的な検索ノイズの下でも不安定である。 そこで我々は,BAR-RAGを提案する。このBAR-RAGは,発電機のGoldilocks Zoneをターゲットとした境界認識型エビデンスセレクタである。 Bar-RAGはノイズ検索において、エンドツーエンドのパフォーマンスを一貫して改善する。
  論文  参考訳（メタデータ） (2026-02-03T16:08:23Z)
• Breaking the Static Graph: Context-Aware Traversal for Robust Retrieval-Augmented Generation [12.71443292660797]
  堅牢なRAGのためのコンテキスト認識トラバーサルであるCatRAGを提案する。 CatRAGはHippoRAG 2アーキテクチャ上に構築され、静的なKGをクエリ適応ナビゲーション構造に変換する。 4つのマルチホップベンチマークの実験では、CatRAGはアートベースラインの状態を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-02T11:13:38Z)
• When Iterative RAG Beats Ideal Evidence: A Diagnostic Study in Scientific Multi-hop Question Answering [0.2796197251957245]
  我々は,同期反復検索と推論が,理想化された静的上界(Gold Context)RAGを超えることができるかどうかを考察した。 我々は,<i>No Context</i>,<i>Gold Context</i>,<i>Gold Context</i>,<i>Gold Context</i>,<i>Iterative RAG</i>,<i>Gold Context</i>,<i>Gold Context</i>,<i>Gold Context</i>,<i>I。 モデル全体では、Iterative RAGはゴールドコンテキストを一貫して上回り、特に非推論では最大25.6ポイントまで上昇する。
  論文  参考訳（メタデータ） (2026-01-27T17:35:05Z)
• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• When to Trust: A Causality-Aware Calibration Framework for Accurate Knowledge Graph Retrieval-Augmented Generation [9.05691591939794]
  Knowledge Graph Retrieval-Augmented Generation (KG-RAG) は知識グラフから構造化知識を取り入れることでRAGパラダイムを拡張している。 既存のKG-RAGモデルは、しばしば非常に過信であり、検索されたサブグラフが不完全または信頼できない場合でも、高い信頼度を予測する。 KG-RAGのための因果認識フレームワークであるCa2KGを提案する。
  論文  参考訳（メタデータ） (2026-01-14T07:22:59Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• DeepRAG: Thinking to Retrieve Step by Step for Large Language Models [92.87532210660456]
  我々はマルコフ決定過程(MDP)として検索強化推論をモデル化するDeepRAGを提案する。 クエリを反復的に分解することで、DeepRAGは外部知識を取得するか、あるいは各ステップでパラメトリック推論に依存するかを動的に決定する。 実験の結果,DeepRAGは検索効率を向上し,回答精度を26.4%向上させ,検索強化推論の有効性を示した。
  論文  参考訳（メタデータ） (2025-02-03T08:22:45Z)
• Reasoning over Multi-view Knowledge Graphs [59.99051368907095]
  ROMAは、マルチビューKG上で論理クエリに応答する新しいフレームワークである。 大規模(数百万の事実など)のKGや粒度の細かいビューまでスケールする。 トレーニング中に観測されていない構造やKGビューのクエリを一般化する。
  論文  参考訳（メタデータ） (2022-09-27T21:32:20Z)

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。