論文の概要: BubbleRAG: Evidence-Driven Retrieval-Augmented Generation for Black-Box Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2603.20309v1
• Date: Thu, 19 Mar 2026 16:00:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.827116
• Title: BubbleRAG: Evidence-Driven Retrieval-Augmented Generation for Black-Box Knowledge Graphs
• Title（参考訳）: BubbleRAG: ブラックボックス知識グラフのためのエビデンス駆動検索拡張生成
• Authors: Duyi Pan, Tianao Lou, Xin Li, Haoze Song, Yiwen Wu, Mengyi Deng, Mingyu Yang, Wei Wang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.799582188076519
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large Language Models (LLMs) exhibit hallucinations in knowledge-intensive tasks. Graph-based retrieval augmented generation (RAG) has emerged as a promising solution, yet existing approaches suffer from fundamental recall and precision limitations when operating over black-box knowledge graphs -- graphs whose schema and structure are unknown in advance. We identify three core challenges that cause recall loss (semantic instantiation uncertainty and structural path uncertainty) and precision loss (evidential comparison uncertainty). To address these challenges, we formalize the retrieval task as the Optimal Informative Subgraph Retrieval (OISR) problem -- a variant of Group Steiner Tree -- and prove it to be NP-hard and APX-hard. We propose BubbleRAG, a training-free pipeline that systematically optimizes for both recall and precision through semantic anchor grouping, heuristic bubble expansion to discover candidate evidence graphs (CEGs), composite ranking, and reasoning-aware expansion. Experiments on multi-hop QA benchmarks demonstrate that BubbleRAG achieves state-of-the-art results, outperforming strong baselines in both F1 and accuracy while remaining plug-and-play.
• Abstract（参考訳）: 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。 グラフベースの検索拡張生成(RAG)は,有望なソリューションとして現れているが,既存のアプローチでは,ブラックボックス知識グラフを操作する際に,基本的なリコールや精度の制限が課されている。スキーマと構造が事前に不明なグラフ。リコール損失(意味的インスタンス化の不確実性と構造的パスの不確実性)と精度損失(詳細比較不確実性)を引き起こす3つの主要な課題を特定する。これらの課題に対処するため,検索タスクを,グループスタイナーツリーの変種であるOISR(Optimal Informative Subgraph Retrieval)問題として形式化し,NP-hardおよびAPX-hardであることが証明される。 提案するBubbleRAGは,セマンティックアンカーグルーピング,ヒューリスティックバブル展開によるリコールと精度の両方を体系的に最適化し,候補エビデンスグラフ(CEG)の探索,複合ランキング,推論対応拡張を行う。 マルチホップQAベンチマークの実験では、BubbleRAGが最先端の結果を達成し、F1と精度の両面で強力なベースラインを達成し、プラグアンドプレイを継続することを示した。

関連論文リスト

• Mitigating KG Quality Issues: A Robust Multi-Hop GraphRAG Retrieval Framework [11.158010513386664]
  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。
  論文  参考訳（メタデータ） (2026-03-16T05:08:41Z)
• Beyond Explicit Edges: Robust Reasoning over Noisy and Sparse Knowledge Graphs [39.73839943827917]
  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。
  論文  参考訳（メタデータ） (2026-03-14T16:16:47Z)
• 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)
• 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)
• Search-on-Graph: Iterative Informed Navigation for Large Language Model Reasoning on Knowledge Graphs [26.0585592684229]
  大規模言語モデル(LLM)は、知識集約型マルチホップ質問では信頼性が保たれていない印象的な推論能力を示している。 本稿では,LLMの反復的なグラフナビゲーションを実現するための,シンプルかつ効果的なフレームワークである検索オングラフ(SoG)を提案する。 Wikidataベンチマーク(以前のベストメソッドよりも+16%改善)とFreebaseベンチマークの一貫性のある改善は特に顕著です。
  論文  参考訳（メタデータ） (2025-10-09T21:20:16Z)
• 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)
• 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)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)

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。