論文の概要: GROUNDEDKG-RAG: Grounded Knowledge Graph Index for Long-document Question Answering

• arxiv url: http://arxiv.org/abs/2604.04359v1
• Date: Mon, 06 Apr 2026 02:12:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.06411
• Title: GROUNDEDKG-RAG: Grounded Knowledge Graph Index for Long-document Question Answering
• Title（参考訳）: GROUNDEDKG-RAG:Long-document Question Answeringのためのグラウンドド知識グラフインデックス
• Abstract要約: GroundedKG-RAGは、ソース文書から知識グラフを明示的に抽出し、グラウンド化するRAGシステムである。 セマンティック・ロール・ラベリング(SRL)と抽象的意味表現(AMR)からグラウンドドKGを構築し,それを検索に埋め込む。 我々は、NarrativeQAデータセットの例から、GroundedKG-RAGを評価し、最先端のプロプライエタリな長文モデルと同等に動作し、より安価に動作し、競争ベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 5.001448044530164
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Retrieval-augmented generation (RAG) systems have been widely adopted in contemporary large language models (LLMs) due to their ability to improve generation quality while reducing the required input context length. In this work, we focus on RAG systems for long-document question answering. Current approaches suffer from a heavy reliance on LLM descriptions resulting in high resource consumption and latency, repetitive content across hierarchical levels, and hallucinations due to no or limited grounding in the source text. To improve both efficiency and factual accuracy through grounding, we propose GroundedKG-RAG, a RAG system in which the knowledge graph is explicitly extracted from and grounded in the source document. Specifically, we define nodes in GroundedKG as entities and actions, and edges as temporal or semantic relations, with each node and edge grounded in the original sentences. We construct GroundedKG from semantic role labeling (SRL) and abstract meaning representation (AMR) parses and then embed it for retrieval. During querying, we apply the same transformation to the query and retrieve the most relevant sentences from the grounded source text for question answering. We evaluate GroundedKG-RAG on examples from the NarrativeQA dataset and find that it performs on par with a state-of-the art proprietary long-context model at smaller cost and outperforms a competitive baseline. Additionally, our GroundedKG is interpretable and readable by humans, facilitating auditing of results and error analysis.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) システムは、必要な入力コンテキスト長を減らしながら生成品質を向上させる能力により、現代の大言語モデル(LLM)で広く採用されている。 本研究では,長期文書質問応答のためのRAGシステムに焦点をあてる。 現在のアプローチでは、LLM記述に大きく依存しているため、リソース消費とレイテンシ、階層レベルの反復的コンテンツ、ソーステキストの根拠や制限による幻覚が生じる。 グラウンド化による効率性と実測精度の向上を目的として,ソース文書から知識グラフを明示的に抽出してグラウンド化するRAGシステムであるGundedKG-RAGを提案する。 具体的には,GroundedKGのノードをエンティティとアクションとして定義し,エッジを時間的あるいは意味的な関係として定義する。 セマンティック・ロール・ラベリング(SRL)と抽象的意味表現(AMR)からグラウンドドKGを構築し,それを検索に埋め込む。 クエリ中に同じ変換をクエリに適用し、グラウンドドソーステキストから最も関連性の高い文を検索して質問応答を行う。 我々は、NarrativeQAデータセットの例から、GroundedKG-RAGを評価し、最先端のプロプライエタリな長文モデルと同等に動作し、より安価に動作し、競争ベースラインを上回ります。 さらに,本研究は人間による解釈と読解が可能であり,結果の監査やエラー解析を容易にする。

関連論文リスト

• MedJudgeRAG: Option-Wise Evidence Judgment with Dynamic Knowledge Graphs for Medical MCQA [7.470323681083646]
  MCQA(Multiple-choice Question answering)では、Retrieval-Augmented Generation(RAG)は言語モデル(LM)のドメイン知識を補うことができる。 本フレームワークは,検索した文書を,エンティティと関係性からなる動的知識グラフ(KG)として表現する。 MedJudgeRAGはバニラRAGとパラメトリックベースラインの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-24T06:02:41Z)
• Retrieval Augmented Generation of Literature-derived Polymer Knowledge: The Example of a Biodegradable Polymer Expert System [4.222675210976564]
  高分子文学は、大きくて成長する実験的な知識を含んでいる。 その多くは、構造化されていないテキストと一貫性のない用語に埋もれている。 既存のツールは通常、狭く、研究固有の事実を分離して抽出する。
  論文  参考訳（メタデータ） (2026-02-18T17:46:09Z)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering [49.43814054718318]
  マルチホップ質問応答 (MHQA) は、正しい回答を得るために複数の経路に散在する知識を統合する必要がある。 従来の検索拡張生成法(RAG)は主に粗い粒度のテキスト意味的類似性に焦点を当てている。 本稿では,HGRAG for MHQAという新しいRAG手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T06:36:13Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• 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)
• Talking to GDELT Through Knowledge Graphs [0.6153162958674417]
  本研究では,各アプローチの強みと弱みを質問応答解析で把握するために,様々なRAG(Retrieval Augmented Regeneration)アプローチについて検討する。 テキストコーパスから情報を取得するために,従来のベクトルストアRAGと,最先端の大規模言語モデル(LLM)に基づくアプローチを実装した。
  論文  参考訳（メタデータ） (2025-03-10T17:48:10Z)
• Don't Forget to Connect! Improving RAG with Graph-based Reranking [26.433218248189867]
  本稿では,グラフニューラルネットワーク(GNN)に基づくリランカであるG-RAGについて紹介する。 提案手法は,文書と意味情報の相互接続(抽象表現平均グラフ)を組み合わせ,RAGの文脈インフォームドローダを提供する。 G-RAGは計算フットプリントを小さくしながら最先端のアプローチより優れている。
  論文  参考訳（メタデータ） (2024-05-28T17:56:46Z)
• Optimizing Factual Accuracy in Text Generation through Dynamic Knowledge Selection [71.20871905457174]
  言語モデル(LM)は、私たちが情報と対話する方法に革命をもたらしたが、しばしば非現実的なテキストを生成する。 従来の手法では、外部知識をテキスト生成の参照として使用して事実性を高めるが、無関係な参照の知識の混在に苦慮することが多い。 本稿では,テキスト生成プロセスを反復処理に分割するDKGenを提案する。
  論文  参考訳（メタデータ） (2023-08-30T02:22:40Z)
• Grounded Keys-to-Text Generation: Towards Factual Open-Ended Generation [92.1582872870226]
  そこで我々は,新しい接地型キー・ツー・テキスト生成タスクを提案する。 タスクは、ガイドキーと接地パスのセットが与えられたエンティティに関する事実記述を生成することである。 近年のQAに基づく評価手法に着想を得て,生成した記述の事実的正当性を示す自動計量MAFEを提案する。
  論文  参考訳（メタデータ） (2022-12-04T23:59:41Z)

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。