論文の概要: Knowledge Is Not Static: Order-Aware Hypergraph RAG for Language Models

• arxiv url: http://arxiv.org/abs/2604.12185v1
• Date: Tue, 14 Apr 2026 01:31:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.189023
• Title: Knowledge Is Not Static: Order-Aware Hypergraph RAG for Language Models
• Title（参考訳）: 知識は静的ではない - 言語モデルのための順序対応ハイパーグラフRAG
• Authors: Keshu Wu, Chenchen Kuai, Zihao Li, Jiwan Jiang, Shiyu Shen, Shian Wang, Chan-Wei Hu, Zhengzhong Tu, Yang Zhou,
• Abstract要約: 本稿では,秩序を一級構造特性として扱う秩序認識知識ハイパーグラフRAGを提案する。 OKH-RAGは、先行構造を付加したハイパーグラフ内の高次相互作用として知識を表す。 我々は, 熱帯サイクロンや港湾運用シナリオなど, 秩序感性質問応答および説明課題におけるOKH-RAGの評価を行った。
• 参考スコア（独自算出の注目度）: 22.663638862390467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) enhances large language models by grounding outputs in retrieved knowledge. However, existing RAG methods including graph- and hypergraph-based approaches treat retrieved evidence as an unordered set, implicitly assuming permutation invariance. This assumption is misaligned with many real-world reasoning tasks, where outcomes depend not only on which interactions occur, but also on the order in which they unfold. We propose Order-Aware Knowledge Hypergraph RAG (OKH-RAG), which treats order as a first-class structural property. OKH-RAG represents knowledge as higher-order interactions within a hypergraph augmented with precedence structure, and reformulates retrieval as sequence inference over hyperedges. Instead of selecting independent facts, it recovers coherent interaction trajectories that reflect underlying reasoning processes. A learned transition model infers precedence directly from data without requiring explicit temporal supervision. We evaluate OKH-RAG on order-sensitive question answering and explanation tasks, including tropical cyclone and port operation scenarios. OKH-RAG consistently outperforms permutation-invariant baselines, and ablations show that these gains arise specifically from modeling interaction order. These results highlight a key limitation of set-based retrieval: effective reasoning requires not only retrieving relevant evidence, but organizing it into structured sequences.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG)は、検索した知識のアウトプットを基礎として、大規模言語モデルを強化する。 しかし、グラフおよびハイパーグラフに基づくアプローチを含む既存のRAG法は、抽出された証拠を非順序集合として扱い、暗黙的に置換不変性を仮定する。 この仮定は多くの実世界の推論タスクと不一致であり、結果がどの相互作用が起こるかだけでなく、それらが展開する順序にも依存する。 命令認識型知識ハイパーグラフRAG(OKH-RAG)を提案する。 OKH-RAGはハイパーグラフ内の上位相互作用として知識を表現し、ハイパーエッジ上でのシーケンス推論として検索を再構成する。 独立した事実を選択する代わりに、基礎となる推論過程を反映したコヒーレントな相互作用軌跡を復元する。 学習された遷移モデルは、明示的な時間的監督を必要とせず、データから直接優先順位を推定する。 我々は, 熱帯サイクロンや港湾運用シナリオなど, 秩序感性質問応答および説明課題におけるOKH-RAGの評価を行った。 OKH-RAGは順に置換不変基底線を上回り、アブレーションはこれらの利得がモデリング相互作用の順序から生じることを示している。 これらの結果は、集合に基づく検索の鍵となる限界を浮き彫りにしている: 効果的な推論は、関連する証拠を検索するだけでなく、構造化されたシーケンスに整理する必要がある。

関連論文リスト

• TaSR-RAG: Taxonomy-guided Structured Reasoning for Retrieval-Augmented Generation [17.21708416305234]
  textscTaSR-RAGは、エビデンス選択のための分類誘導構造推論フレームワークである。 textscTaSR-RAGは、強いRAGと構造化RAGベースラインを最大14%上回っている。
  論文  参考訳（メタデータ） (2026-03-10T08:16:36Z)
• 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)
• Disco-RAG: Discourse-Aware Retrieval-Augmented Generation [81.53888908988756]
  生成プロセスに談話信号を注入する談話認識フレームワークであるディスコRAGを提案する。 提案手法は,チャンク内談話木を構築し,局所階層を捕捉し,クロスパスコヒーレンスをモデル化するためのチャンク間修辞グラフを構築する。 質問応答と長期文書要約ベンチマークの実験から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-01-07T20:32:50Z)
• Stable-RAG: Mitigating Retrieval-Permutation-Induced Hallucinations in Retrieval-Augmented Generation [24.598044386822508]
  Retrieval-Augmented Generationは、大規模言語モデルにおける事実幻覚を減らすための重要なパラダイムとなっている。 本稿では,置換誘導幻覚を緩和するために,置換感度推定を利用するStable-RAGを提案する。
  論文  参考訳（メタデータ） (2026-01-06T13:07:38Z)
• You Don't Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures [16.867592142212203]
  大型言語モデル(LLM)はしばしば幻覚に悩まされ、知識を超えた質問を処理する際に、事実的に誤った文を生成する。 Retrieval-augmented Generation (RAG)は、LLM推論をサポートするために、知識ベースからクエリ関連コンテキストを取得することで、この問題に対処する。 既存のGraphベースのRAGメソッドは、コーパスをグラフに変換するためのコストの高いプロセスに依存しており、圧倒的なトークンコストとアップデートのレイテンシを導入している。 本稿では,推論時に推論構造を動的に抽出し,事前に構築したグラフを使わずに適応検索を誘導するLogicRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-08T08:07:40Z)
• 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)
• 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)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)

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。