論文の概要: AtomicRAG: Atom-Entity Graphs for Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2604.20844v1
• Date: Tue, 10 Feb 2026 05:57:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.096802
• Title: AtomicRAG: Atom-Entity Graphs for Retrieval-Augmented Generation
• Title（参考訳）: AtomicRAG: Retrieval-Augmented GenerationのためのAtomエンティティグラフ
• Authors: Yanning Hou, Duanyang Yuan, Sihang Zhou, Xiaoshu Chen, Ke Liang, Siwei Wang, Xinwang Liu, Jian Huang,
• Abstract要約: 最近のGraphRAG法では、グラフ構造をテキストインデックスと検索に組み込んでいる。 知識表現と索引付けのためのより正確で信頼性の高いアーキテクチャを提案する。 我々のアプローチでは、知識は粗粒のテキストチャンクではなく、知識原子として保存される。
• 参考スコア（独自算出の注目度）: 36.2420491060406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent GraphRAG methods integrate graph structures into text indexing and retrieval, using knowledge graph triples to connect text chunks, thereby improving retrieval coverage and precision. However, we observe that treating text chunks as the basic unit of knowledge representation rigidly groups multiple atomic facts together, limiting the flexibility and adaptability needed to support diverse retrieval scenarios. Additionally, triple-based entity linking is sensitive to relation-extraction errors, which can lead to missing or incorrect reasoning paths and ultimately hurt retrieval accuracy. To address these issues, we propose the Atom-Entity Graph, a more precise and reliable architecture for knowledge representation and indexing. In our approach, knowledge is stored as knowledge atoms, namely individual, self-contained units of factual information, rather than coarse-grained text chunks. This allows knowledge elements to be flexibly reassembled without mutual interference, thereby enabling seamless alignment with diverse query perspectives. Edges between entities simply indicate whether a relationship exists. By combining personalized PageRank with relevance-based filtering, we maintain accurate entity connections and improve the reliability of reasoning. Theoretical analysis and experiments on five public benchmarks show that the proposed AtomicRAG algorithm outperforms strong RAG baselines in retrieval accuracy and reasoning robustness. Code: https://github.com/7HHHHH/AtomicRAG.
• Abstract（参考訳）: 最近のGraphRAG法では,グラフ構造をテキストインデックスと検索に統合し,知識グラフトリプルを用いてテキストチャンクを接続することにより,検索カバレッジと精度の向上を実現している。 しかし,テキストチャンクを知識表現の基本単位として扱うことは,複数の原子的事実を厳密にグループ化し,多様な検索シナリオをサポートするために必要な柔軟性と適応性を制限している。 さらに、トリプルベースのエンティティリンクは関係抽出誤差に敏感であり、誤った推論経路が失われ、最終的に精度が低下する可能性がある。 これらの問題に対処するために、知識表現と索引付けのためのより正確で信頼性の高いアーキテクチャであるAtom-Entity Graphを提案する。 我々のアプローチでは、知識は、粗い粒度のテキストチャンクではなく、知識原子、すなわち、自己完結した事実情報の単位として格納される。 これにより、知識要素は相互の干渉なしに柔軟に再組み立て可能となり、多様なクエリ視点とのシームレスなアライメントが可能になる。 エンティティ間のエッジは、単に関係が存在するかどうかを示す。 パーソナライズされたPageRankと関連ベースのフィルタリングを組み合わせることで、正確なエンティティ接続を維持し、推論の信頼性を向上させる。 5つの公開ベンチマークの理論的解析と実験により、提案したAtomicRAGアルゴリズムは、検索精度とロバスト性において強力なRAGベースラインを上回っていることが示された。 コード:https://github.com/7HHHH/AtomicRAG。

関連論文リスト

• UnWeaving the knots of GraphRAG -- turns out VectorRAG is almost enough [0.10260880679794955]
  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。
  論文  参考訳（メタデータ） (2026-02-06T11:37:10Z)
• 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)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• HetaRAG: Hybrid Deep Retrieval-Augmented Generation across Heterogeneous Data Stores [33.795387138571286]
  HetaRAGは、異種データストアからのクロスモーダルエビデンスをオーケストレーションする、ハイブリッドで深層検索可能な拡張生成フレームワークである。 HetaRAGはベクトルインデックス、知識グラフ、フルテキストエンジン、構造化データベースを単一の検索プレーンに統合する。
  論文  参考訳（メタデータ） (2025-09-12T06:12:59Z)
• SlimRAG: Retrieval without Graphs via Entity-Aware Context Selection [38.200971604630524]
  SlimRAGはグラフのない検索のための軽量フレームワークである。 構造が重いコンポーネントを、シンプルで効果的なエンティティ認識メカニズムで置き換える。 実験により、SlimRAGは強い平坦線とグラフベースのベースラインよりも精度が高いことが示された。
  論文  参考訳（メタデータ） (2025-06-15T15:36:17Z)
• 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)
• GraphKD: Exploring Knowledge Distillation Towards Document Object Detection with Structured Graph Creation [14.511401955827875]
  ドキュメントにおけるオブジェクト検出は、構造的要素の識別プロセスを自動化するための重要なステップである。 文書画像中の文書オブジェクトを正しく識別し,ローカライズするための,グラフベースの知識蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-17T23:08:32Z)

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。