論文の概要: GraphER: An Efficient Graph-Based Enrichment and Reranking Method for Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2603.24925v1
• Date: Thu, 26 Mar 2026 01:30:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.039124
• Title: GraphER: An Efficient Graph-Based Enrichment and Reranking Method for Retrieval-Augmented Generation
• Title（参考訳）: GraphER: 検索拡張生成のための効率的なグラフベースエンリッチメントとリグレード方法
• Authors: Ruizhong Miao, Yuying Wang, Rongguang Wang, Chenyang Li, Tao Sheng, Sujith Ravi, Dan Roth,
• Abstract要約: GraphERはグラフベースのエンリッチメントとリグレードメソッドで、セマンティックな類似性を超えた、複数の形式の近接をキャプチャする。 知識グラフを必要としないため、GraphERは標準的なベクトルストアとシームレスに統合できる。 複数のベンチマーク実験により,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 47.014599006114594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic search in retrieval-augmented generation (RAG) systems is often insufficient for complex information needs, particularly when relevant evidence is scattered across multiple sources. Prior approaches to this problem include agentic retrieval strategies, which expand the semantic search space by generating additional queries. However, these methods do not fully leverage the organizational structure of the data and instead rely on iterative exploration, which can lead to inefficient retrieval. Another class of approaches employs knowledge graphs to model non-semantic relationships through graph edges. Although effective in capturing richer proximities, such methods incur significant maintenance costs and are often incompatible with the vector stores used in most production systems. To address these limitations, we propose GraphER, a graph-based enrichment and reranking method that captures multiple forms of proximity beyond semantic similarity. GraphER independently enriches data objects during offline indexing and performs graph-based reranking over candidate objects at query time. This design does not require a knowledge graph, allowing GraphER to integrate seamlessly with standard vector stores. In addition, GraphER is retriever-agnostic and introduces negligible latency overhead. Experiments on multiple retrieval benchmarks demonstrate the effectiveness of the proposed approach.
• Abstract（参考訳）: 検索強化世代(RAG)システムにおける意味探索は、複雑な情報を必要とする場合、特に複数の情報源に関連性のある証拠が散らばっている場合、しばしば不十分である。 この問題に対する従来のアプローチには、追加クエリを生成して意味検索空間を拡張するエージェント検索戦略がある。 しかし、これらの手法はデータの組織構造を完全に活用せず、代わりに反復探索に頼っているため、非効率な検索につながる可能性がある。 別のアプローチのクラスでは、知識グラフを使用してグラフエッジを通して非意味関係をモデル化する。 よりリッチな近似を捉えるのに効果的であるが、このような手法は保守コストがかなり高く、ほとんどの生産システムで使用されるベクトルストアと互換性がないことが多い。 これらの制約に対処するため,グラフベースのエンリッチメントとリグレード法であるGraphERを提案する。 GraphERは、オフラインインデックス作成中にデータオブジェクトを独立して強化し、クエリ時に候補オブジェクトに対してグラフベースのランク付けを実行する。 この設計では知識グラフを必要としないため、GraphERは標準的なベクトルストアとシームレスに統合できる。 さらに、GraphERはレトリバーに依存しず、無視可能な遅延オーバーヘッドを導入している。 複数のベンチマーク実験により,提案手法の有効性が示された。

関連論文リスト

• Retrieving Minimal and Sufficient Reasoning Subgraphs with Graph Foundation Models for Path-aware GraphRAG [27.22974957852695]
  グラフベースの検索強化生成(GraphRAG)は、構造化知識を利用して知識集約推論を支援する。 本稿では,事前学習したグラフファウンデーションモデルがクロスドメインレトリバーとして機能するサブグラフを用いて,ユーザクエリに直接応答するGCM-Retrieverを提案する。 GFM-Retrieverは、効率を保ちながら、検索品質と回答生成の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-03-07T12:39:21Z)
• Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
  グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-23T05:41:05Z)
• GraphSearch: Agentic Search-Augmented Reasoning for Zero-Shot Graph Learning [9.147800129236918]
  GraphSearchは、検索強化推論をグラフ学習に拡張するフレームワークである。 セマンティックなクエリから検索空間(例えば1ホップ、マルチホップ、グローバルな隣人など)を切り離す。 ゼロショットノード分類とリンク予測に最先端の結果を設定する。
  論文  参考訳（メタデータ） (2026-01-13T15:00:57Z)
• 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)
• Query-Aware Graph Neural Networks for Enhanced Retrieval-Augmented Generation [0.0]
  検索強化生成(RAG)のための新しいグラフニューラルネットワークアーキテクチャを提案する。 提案手法は,テキストチャンク間の逐次的および意味的関係をキャプチャする,エピソードごとの知識グラフを構築する。 ユーザクエリに基づいてグラフの関連部分に動的にフォーカスするクエリ誘導プーリングを備えた拡張グラフアテンションネットワークを導入する。
  論文  参考訳（メタデータ） (2025-07-25T19:42:27Z)
• 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)
• 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)
• NodeRAG: Structuring Graph-based RAG with Heterogeneous Nodes [25.173078967881803]
  Retrieval-augmented Generation (RAG)は、大規模な言語モデルに対して、外部およびプライベートコーパスへのアクセスを許可する。 現在のグラフベースのRAGアプローチは、グラフ構造の設計をほとんど優先順位付けしない。 不適切な設計のグラフは、多様なグラフアルゴリズムのシームレスな統合を妨げるだけでなく、ワークフローの不整合をもたらす。 異種グラフ構造を導入したグラフ中心のフレームワークであるNodeRAGを提案する。
  論文  参考訳（メタデータ） (2025-04-15T18:24:00Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
  複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。 ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
  論文  参考訳（メタデータ） (2023-03-26T04:03:37Z)

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。