論文の概要: XGRAG: A Graph-Native Framework for Explaining KG-based Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2604.24623v1
• Date: Mon, 27 Apr 2026 15:52:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.131773
• Title: XGRAG: A Graph-Native Framework for Explaining KG-based Retrieval-Augmented Generation
• Title（参考訳）: XGRAG: KGベースの検索拡張生成を記述可能なグラフNativeフレームワーク
• Authors: Zhuoling Li, Ha Linh Hong Tran Nguyen, Valeria Bladinieres, Maxim Romanovsky,
• Abstract要約: グラフベースのRetrieval-Augmented Generation (GraphRAG)は知識グラフ(KG)を使用して従来のRAGを拡張し、大きな言語モデル(LLM)に構造化されたセマンティックコヒーレントなコンテキストを与える。 RAGシステムの既存の説明可能性(XAI)法は、知識コンポーネント間の関係構造を通してLLM応答を解釈することに限定される。 我々は,グラフベースの摂動戦略を用いて,グラフRAGシステムに対する因果的根拠に基づく説明を生成する新しいフレームワークであるXGRAGを紹介する。
• 参考スコア（独自算出の注目度）: 6.700585198494598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based Retrieval-Augmented Generation (GraphRAG) extends traditional RAG by using knowledge graphs (KGs) to give large language models (LLMs) a structured, semantically coherent context, yielding more grounded answers. However, GraphRAG reasoning process remains a black-box, limiting our ability to understand how specific pieces of structured knowledge influence the final output. Existing explainability (XAI) methods for RAG systems, designed for text-based retrieval, are limited to interpreting an LLM response through the relational structures among knowledge components, creating a critical gap in transparency and trustworthiness. To address this, we introduce XGRAG, a novel framework that generates causally grounded explanations for GraphRAG systems by employing graph-based perturbation strategies, to quantify the contribution of individual graph components on the model answer. We conduct extensive experiments comparing XGRAG against RAG-Ex, an XAI baseline for standard RAG, and evaluate its robustness across various question types, narrative structures and LLMs. Our results demonstrate a 14.81% improvement in explanation quality over the baseline RAG-Ex across NarrativeQA, FairyTaleQA, and TriviaQA, evaluated by F1-score measuring alignment between generated explanations and original answers. Furthermore, XGRAG explanations exhibit a strong correlation with graph centrality measures, validating its ability to capture graph structure. XGRAG provides a scalable and generalizable approach towards trustworthy AI through transparent, graph-based explanations that enhance the interpretability of RAG systems.
• Abstract（参考訳）: グラフベースのRetrieval-Augmented Generation (GraphRAG)は、知識グラフ(KG)を使用して従来のRAGを拡張し、大きな言語モデル(LLM)に構造化されたセマンティックコヒーレントなコンテキストを与え、より基礎的な回答をもたらす。 しかし、GraphRAG推論プロセスはブラックボックスのままであり、構造化された知識が最終的な出力にどのように影響するかを理解する能力を制限する。 テキストベースの検索のために設計された既存のRAGシステムのための説明可能性(XAI)法は、知識コンポーネント間の関係構造を通してLLM応答を解釈することに限定され、透明性と信頼性において重要なギャップを生じさせる。 これを解決するために,グラフベースの摂動戦略を用いてグラフRAGシステムに対する因果的基礎的な説明を生成する新しいフレームワークであるXGRAGを導入し,個々のグラフ成分のモデル解に対する寄与を定量化する。 我々は、標準的なRAGのXAIベースラインであるRAG-ExとXGRAGを比較し、様々な質問タイプ、物語構造、LLMの堅牢性を評価する。 その結果,NarrativeQA,FairyTaleQA,TriviaQAのベースラインRAG-Exよりも14.81%向上し,F1スコアで評価した。 さらに、XGRAGの説明はグラフ集中度尺度と強い相関を示し、グラフ構造を捉える能力を検証する。 XGRAGは、RAGシステムの解釈可能性を高める透明でグラフベースの説明を通じて、信頼できるAIに対するスケーラブルで一般化可能なアプローチを提供する。

関連論文リスト

• HugRAG: Hierarchical Causal Knowledge Graph Design for RAG [13.71290541205767]
  HugRAGは、グラフベースのRAGの知識組織を再考するフレームワークである。 我々の研究は、構造化され、スケーラブルで、因果的に基礎付けられたRAGシステムのための原則化された基盤を確立する。
  論文  参考訳（メタデータ） (2026-02-04T23:59:02Z)
• ProGraph-R1: Progress-aware Reinforcement Learning for Graph Retrieval Augmented Generation [37.11787010202267]
  ProGraph-R1は,グラフベースの検索と多段階推論のためのプログレッシブ・エージェント・フレームワークである。 ProGraph-R1は、意味的関連性とグラフ接続性について共同で検討する構造対応のハイパーグラフ検索機構を導入している。 マルチホップ質問応答ベンチマークの実験では、ProGraph-R1は既存のGraphRAG法よりも推論精度と生成品質を一貫して改善している。
  論文  参考訳（メタデータ） (2026-01-25T08:58:44Z)
• 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)
• G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
  大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。 最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T04:38:12Z)
• 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)
• Inference Scaled GraphRAG: Improving Multi Hop Question Answering on Knowledge Graphs [15.036480111358369]
  大きな言語モデル(LLM)は、言語理解と生成において印象的な能力を達成した。 構造化コンテキストやマルチホップ情報へのアクセスが限られているため、知識集約的推論タスクではパフォーマンスが低下し続けています。 Inference-Scaled GraphRAGは、推論時間計算のスケーリングを適用してLLMベースのグラフ推論を強化する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-06-24T19:31:03Z)
• XGraphRAG: Interactive Visual Analysis for Graph-based Retrieval-Augmented Generation [16.068460356582648]
  本研究では、RAG開発者がGraphRAGの重要なリコールを特定するのに役立つ視覚分析フレームワークを提案する。 我々は,ユーザ分析プロセスを容易にするために,インタラクティブな視覚化のセットを取り入れたプロトタイプシステムであるXGraphRAGを開発した。
  論文  参考訳（メタデータ） (2025-06-10T09:14:30Z)
• 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)
• RAKG:Document-level Retrieval Augmented Knowledge Graph Construction [10.013667560362565]
  本稿では,自動文書レベルの知識グラフ構築の課題に焦点をあてる。 ドキュメントレベルの検索知識グラフ構築(RAKG)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-14T02:47:23Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)

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。