論文の概要: UnWeaving the knots of GraphRAG -- turns out VectorRAG is almost enough

• arxiv url: http://arxiv.org/abs/2603.29875v1
• Date: Fri, 06 Feb 2026 11:37:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.163041
• Title: UnWeaving the knots of GraphRAG -- turns out VectorRAG is almost enough
• Title（参考訳）: GraphRAGのノットを解き明かす–VectorRAGで十分
• Authors: Ryszard Tuora, Mateusz Galiński, Michał Godziszewski, Michał Karpowicz, Mateusz Czyżnikiewicz, Adam Kozakiewicz, Tomasz Ziętkiewicz,
• Abstract要約: UnWeaverは、複数のチャンクにまたがるエンティティにドキュメントの内容を切り離す新しいRAGフレームワークである。 実体に基づく分解は、原情報のより蒸留された表現をもたらし、さらにインデックス化および生成過程におけるノイズを低減するのに役立ちます。
• 参考スコア（独自算出の注目度）: 0.10260880679794955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the key problems in Retrieval-augmented generation (RAG) systems is that chunk-based retrieval pipelines represent the source chunks as atomic objects, mixing the information contained within such a chunk into a single vector. These vector representations are then fundamentally treated as isolated, independent and self-sufficient, with no attempt to represent possible relations between them. Such an approach has no dedicated mechanisms for handling multi-hop questions. Graph-based RAG systems aimed to ameliorate this problem by modeling information as knowledge-graphs, with entities represented by nodes being connected by robust relations, and forming hierarchical communities. This approach however suffers from its own issues with some of them being: orders of magnitude increased componential complexity in order to create graph-based indices, and reliance on heuristics for performing retrieval. We propose UnWeaver, a novel RAG framework simplifying the idea of GraphRAG. UnWeaver disentangles the contents of the documents into entities which can occur across multiple chunks using an LLM. In the retrieval process entities are used as an intermediate way of recovering original text chunks hence preserving fidelity to the source material. We argue that entity-based decomposition yields a more distilled representation of original information, and additionally serves to reduce noise in the indexing, and generation process.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG)システムにおける重要な問題のひとつは、チャンクベースの検索パイプラインがソースチャンクを原子オブジェクトとして表現し、チャンクに含まれる情報を単一のベクトルに混ぜることである。 これらのベクトル表現は、基本的に孤立的で独立で自己充足的なものとして扱われるが、それらの関係を表現しようとする試みは存在しない。 このようなアプローチには、マルチホップ質問を処理するための専用のメカニズムがない。 グラフベースのRAGシステムは、情報を知識グラフとしてモデル化することでこの問題を改善することを目的としており、ノードによって表現されるエンティティは堅牢な関係によって接続され、階層的なコミュニティを形成する。 しかし、このアプローチは、グラフベースのインデックスを作成するために、桁違いにコンポーネントの複雑さが増し、検索を行うためのヒューリスティックスに依存するという、いくつかの問題によって、独自の問題に悩まされている。 我々は、GraphRAGのアイデアを単純化する新しいRAGフレームワークUnWeaverを提案する。 UnWeaver は LLM を使って複数のチャンクにまたがるエンティティにドキュメントの内容を切り離します。 検索プロセスでは、エンティティを元のテキストチャンクを復元する中間方法として使用することにより、ソース材料への忠実性を維持する。 実体に基づく分解は、原情報のより蒸留された表現をもたらし、さらにインデックス化および生成過程におけるノイズを低減するのに役立ちます。

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)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• MIXRAG : Mixture-of-Experts Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [6.596018318578605]
  Retrieval-Augmented Generation (RAG)は、推論中に外部知識ソースを組み込むことで、Large Language Models (LLM)を強化する。 既存のアプローチのほとんどは、関連するサブグラフを特定するために単一のレトリバーに依存しており、複雑なクエリのさまざまな側面をキャプチャする能力を制限する。 そこで我々は,Mixture-of-Experts Graph-RAGフレームワークであるMIXRAGを提案する。
  論文  参考訳（メタデータ） (2025-09-24T02:44:57Z)
• 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)
• 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)

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。