論文の概要: FlexStructRAG: Flexible Structure-Aware Multi-Granular Relational Retrieval for RAG

• arxiv url: http://arxiv.org/abs/2604.16312v1
• Date: Sun, 01 Feb 2026 09:19:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:13.874399
• Title: FlexStructRAG: Flexible Structure-Aware Multi-Granular Relational Retrieval for RAG
• Title（参考訳）: FlexStructRAG: RAGのためのフレキシブルな構造対応マルチグラニュラーリレーショナル検索
• Authors: Mengzhu Chen, Haodong Yang, Jia Cai, Xiaolin Huang,
• Abstract要約: RAGシステムは、外部知識のセグメント化、構造化、検索の方法に依存する。 マルチグラニュラー・クエリ適応検索をサポートする構造対応RAGフレームワークFlexStructRAGを提案する。 実験の結果、FlexStructRAGは強力なRAGベースラインよりもセマンティック評価を改善することが示された。
• 参考スコア（独自算出の注目度）: 25.45341852479756
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) systems critically depend on how external knowledge is segmented, structured, and retrieved. Most existing approaches either retrieve fixed-length text chunks, which fragments discourse context, or commit to a single structured index (e.g., a knowledge graph or hypergraph), which hard-codes one relational granularity. This often yields brittle retrieval when queries require different forms of evidence, such as local binary relations, higher-order interactions, or broader document-grounded context. We propose \textbf{FlexStructRAG}, a flexible structure-aware RAG framework that supports \emph{multi-granular, query-adaptive retrieval} over heterogeneous knowledge representations. FlexStructRAG jointly constructs (i) a knowledge graph for binary relations, (ii) a knowledge hypergraph for n-ary relations, and (iii) structure-aware semantic clusters that aggregate relational evidence into document-grounded context units. To reduce semantic fragmentation induced by uniform chunking, we introduce dynamic partitioning and a truncated sliding-window extraction mechanism that incorporates bounded contextual dependencies during knowledge construction. At inference time, FlexStructRAG enables entity-, edge-, hyperedge-, and cluster-level retrieval, which can be flexibly combined to supply generation with relationally and contextually aligned evidence. Experiments on the UltraDomain benchmark across four domains show that FlexStructRAG improves semantic evaluation over strong RAG baselines. Ablation and sensitivity analysis further demonstrate the necessity of multi-granular relational retrieval and structure-aware clustering.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) システムは、外部知識のセグメント化、構造化、検索の方法に大きく依存する。 既存のほとんどのアプローチは、会話コンテキストを断片化する固定長のテキストチャンクを検索するか、単一の構造化されたインデックス(例えば知識グラフやハイパーグラフ)にコミットする。 これは、クエリが局所的な二項関係、高次相互作用、より広い文書基底コンテキストなど、異なる形式のエビデンスを必要とする場合、不安定な検索をもたらすことが多い。 ヘテロジニアスな知識表現に対して, \emph{multi-granular, query-adaptive search} をサポートする柔軟な構造対応RAGフレームワークである \textbf{FlexStructRAG} を提案する。 FlexStructRAGジョイントコンストラクト (i)二項関係に関する知識グラフ (二)n-ary関係に関する知識ハイパーグラフ、及び 三 関係証拠を文書化された文脈単位に集約する構造対応セマンティッククラスタ。 本研究では,一様チャンキングによって引き起こされる意味的断片化を低減するために,知識構築中にコンテキスト境界を組み込んだ動的パーティショニングと切り離したスライディングウインドウ抽出機構を導入する。 推論時にFlexStructRAGはエンティティ、エッジ、ハイパーエッジ、クラスタレベルの検索を可能にする。 4つの領域にわたるUltraDomainベンチマークの実験は、FlexStructRAGが強力なRAGベースラインよりもセマンティック評価を改善していることを示している。 アブレーションと感度解析は、多粒性関係検索と構造認識クラスタリングの必要性をさらに示している。

関連論文リスト

• EHRAG: Bridging Semantic Gaps in Lightweight GraphRAG via Hybrid Hypergraph Construction and Retrieval [18.623178248262032]
  本稿では,構造レベルと意味レベルの関係を捉えるハイパーグラフを構築する軽量なRAGフレームワーク EHRAGを提案する。 EHRAGは、トピック対応スコアリングとパーソナライズされたページランク(PPR)リファインメントを備えた構造-セマンティックハイブリッド拡散を行う。 EHRAGは、線形インデックス化の複雑さとトークン消費のゼロを維持しながら、最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-04-19T14:18:49Z)
• Scalable and Explainable Enterprise Knowledge Discovery Using Graph-Centric Hybrid Retrieval [0.0]
  現代の企業は、Jira、Gitリポジトリ、Confluence、wikiなどの異種システムに分散した膨大な知識を管理している。 本稿では,知識ベース言語拡張モデル(KBLam),DeepGraph表現,埋め込み型セマンティック検索を統合したモジュール型ハイブリッド検索フレームワークを提案する。 このフレームワークは、コード、プルリクエスト、コミット履歴を含む解析済みのリポジトリから統一された知識グラフを構築する。 大規模なGitリポジトリの実験では、統一推論層は、スタンドアロンのGPTベースの検索パイプラインと比較して、回答の妥当性を最大80%改善している。
  論文  参考訳（メタデータ） (2025-10-13T02:56:36Z)
• 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)
• LeanRAG: Knowledge-Graph-Based Generation with Semantic Aggregation and Hierarchical Retrieval [10.566901995776025]
  LeanRAGは知識集約と検索戦略を組み合わせたフレームワークです。 グラフ上のパス検索に関連するかなりのオーバーヘッドを軽減し、冗長な情報検索を最小限にする。
  論文  参考訳（メタデータ） (2025-08-14T06:47:18Z)
• 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)
• Mixture of Structural-and-Textual Retrieval over Text-rich Graph Knowledge Bases [78.62158923194153]
  テキストリッチなグラフ知識ベース(TG-KB)は、テキストおよび構造的知識を提供することで、クエリに応答する上でますます重要になっている。 本研究では,これら2種類の知識を計画・推論・組織化フレームワークを用いて検索するための構造・テキスト検索(MoR)の混合を提案する。
  論文  参考訳（メタデータ） (2025-02-27T17:42:52Z)
• Knowledge-Aware Query Expansion with Large Language Models for Textual and Relational Retrieval [49.42043077545341]
  知識グラフ(KG)から構造化文書関係を付加したLLMを拡張した知識対応クエリ拡張フレームワークを提案する。 文書テキストをリッチなKGノード表現として活用し、KAR(Knowledge-Aware Retrieval)のための文書ベースの関係フィルタリングを利用する。
  論文  参考訳（メタデータ） (2024-10-17T17:03:23Z)

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。