論文の概要: STEM: Structure-Tracing Evidence Mining for Knowledge Graphs-Driven Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2604.22282v1
• Date: Fri, 24 Apr 2026 06:56:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.371317
• Title: STEM: Structure-Tracing Evidence Mining for Knowledge Graphs-Driven Retrieval-Augmented Generation
• Title（参考訳）: STEM:知識グラフ駆動検索生成のための構造トレースエビデンスマイニング
• Authors: Peng Yu, En Xu, Bin Chen, Haibiao Chen, Yinfei Xu,
• Abstract要約: Structure-Tracing Evidence Mining (STEM)は、スキーマ誘導グラフ検索タスクとしてマルチホップ推論を再構成する新しいフレームワークである。 グラフ構築過程において,グローバルな構造情報をより効率的に統合するために,トリプル依存型GNNを設計する。 STEMはマルチホップ推論グラフ検索の精度とエビデンス完全性の両方を著しく改善し、マルチホップベンチマークにおけるステート・オブ・ザ・アート性能を達成する。
• 参考スコア（独自算出の注目度）: 16.213081669689185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Graph-based Question Answering (KGQA) plays a pivotal role in complex reasoning tasks but remains constrained by two persistent challenges: the structural heterogeneity of Knowledge Graphs(KGs) often leads to semantic mismatch during retrieval, while existing reasoning path retrieval methods lack a global structural perspective. To address these issues, we propose Structure-Tracing Evidence Mining (STEM), a novel framework that reframes multi-hop reasoning as a schema-guided graph search task. First, we design a Semantic-to-Structural Projection pipeline that leverages KG structural priors to decompose queries into atomic relational assertions and construct an adaptive query schema graph. Subsequently, we execute globally-aware node anchoring and subgraph retrieval to obtain the final evidence reasoning graph from KG. To more effectively integrate global structural information during the graph construction process, we design a Triple-Dependent GNN (Triple-GNN) to generate a Global Guidance Subgraph (Guidance Graph) that guides the construction. STEM significantly improves both the accuracy and evidence completeness of multi-hop reasoning graph retrieval, and achieves State-of-the-Art performance on multiple multi-hop benchmarks.
• Abstract（参考訳）: 知識グラフに基づく質問回答(KGQA)は、複雑な推論タスクにおいて重要な役割を果たすが、2つの永続的な課題によって制約されている: 知識グラフの構造的不均一性(KGs)は、しばしば検索中に意味的ミスマッチを引き起こす。 これらの問題に対処するために、スキーマ誘導グラフ検索タスクとしてマルチホップ推論を再構成する新しいフレームワークであるStructure-Tracing Evidence Mining (STEM)を提案する。 まず,KG構造を前提としたSemantic-to-Structural Projectionパイプラインを設計し,クエリをアトミックなリレーショナルアサーションに分解し,適応的なクエリスキーマグラフを構築する。 その後、KGから最終証拠推論グラフを得るために、グローバルなノードアンカーとサブグラフ検索を実行する。 グラフ構築過程において,グローバルな構造情報をより効率的に統合するために,GNN(Triple-Dependent GNN)を設計し,構築をガイドするグローバルガイダンスサブグラフ(Guidance Graph)を生成する。 STEMはマルチホップ推論グラフ検索の精度とエビデンス完全性の両方を著しく改善し、マルチホップベンチマークにおけるステート・オブ・ザ・アート性能を達成する。

関連論文リスト

• From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG [8.449978933501965]
  本稿では,参照資料を構造化知識グラフに整理するグラフ検索拡張生成(GraphRAG)フレームワークを提案する。 提案手法では,高忠実度グラフ構築のためのMicrosoft GraphRAGとHippoRAGニューロシンボリックアルゴリズムの2相パイプラインを用いる。
  論文  参考訳（メタデータ） (2026-02-28T04:44:06Z)
• 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)
• AutoGraph-R1: End-to-End Reinforcement Learning for Knowledge Graph Construction [60.51319139563509]
  強化学習(RL)を用いたタスクパフォーマンスのKG構築を直接最適化する最初のフレームワークであるAutoGraph-R1を紹介する。 我々は2つの新しいタスク対応報酬関数を設計し、1つは知識担体としてのグラフと、もう1つは知識指標としてのグラフを設計する。 私たちの研究は、構築とアプリケーションの間のループを閉じることが可能であることを示している。
  論文  参考訳（メタデータ） (2025-10-17T06:03:36Z)
• LinearRAG: Linear Graph Retrieval Augmented Generation on Large-scale Corpora [17.929144506419064]
  Retrieval-Augmented Generation (RAG) は大規模言語モデル(LLM)の幻覚を軽減するために広く用いられている。 既存のグラフベースのRAG法は、グラフ構築のための不安定でコストのかかる関係抽出に依存している。 信頼性の高いグラフ構築と正確な経路抽出を可能にする効率的なフレームワークであるLinearRAGを提案する。
  論文  参考訳（メタデータ） (2025-10-11T08:43:45Z)
• GraphSearch: An Agentic Deep Searching Workflow for Graph Retrieval-Augmented Generation [35.65907480060404]
  textscGraphSearchは、GraphRAGの二重チャネル検索を備えた新しいエージェントディープ検索ワークフローである。 textscGraphSearchは、従来の戦略よりも解答精度と生成品質を一貫して改善する。
  論文  参考訳（メタデータ） (2025-09-26T07:45:56Z)
• 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)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
  複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。 ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
  論文  参考訳（メタデータ） (2023-03-26T04:03:37Z)

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。