論文の概要: RADD: Retrieval-Augmented Discrete Diffusion for Multi-Modal Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2604.25693v1
• Date: Tue, 28 Apr 2026 14:21:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.901279
• Title: RADD: Retrieval-Augmented Discrete Diffusion for Multi-Modal Knowledge Graph Completion
• Title（参考訳）: RADD:マルチモーダル知識グラフ補完のための検索拡張離散拡散
• Authors: Guanglin Niu, Bo Li,
• Abstract要約: 本稿では,MMKGCの検索と再ランク付けを分離するRetrieval-Augmented Discrete Diffusionフレームワークを提案する。 関係対応マルチモーダルKGEレトリバーは、グローバルレトリバーと蒸留教師の両方として機能し、条件付き離散デノイザは、再ランクのためのショートリストレベルのエンティティアイデンティティ生成を行う。
• 参考スコア（独自算出の注目度）: 14.144464555343385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most multi-modal knowledge graph completion (MMKGC) models use one embedding scorer to do both retrieval over the full entity set and final decision making. We argue that this coupling is a core bottleneck: global high-recall search and local fine-grained disambiguation require different inductive biases. Therefore, we propose a Retrieval-Augmented Discrete Diffusion (RADD) framework to decouple retrieve and reranking for MMKGC. A relation-aware multimodal KGE retriever serves as both global retriever and distillation teacher, while a conditional discrete denoiser performs shortlist-level entity-identity generation for reranking. Training combines KGE supervision, denoising cross-entropy, and temperature-scaled distillation from the retriever to the denoiser. At inference, the designed Diff-Rerank first forms a top-$K$ shortlist with the retriever and then reranks it with the denoiser, ensuring that recall is a strict prerequisite for precision. Experiments on three MMKGC benchmarks show that RADD achieves the best performance and consistent gains over strong unimodal, multimodal, and LLM-based baselines, while ablations further verify the contribution of each component.
• Abstract（参考訳）: ほとんどのマルチモーダル知識グラフ補完(MMKGC)モデルは1つの埋め込みスコアラーを使用して、完全なエンティティセットと最終決定の両方を検索する。 グローバルなハイリコール検索と局所的なきめ細かい曖昧さは、異なる帰納バイアスを必要とする。 そこで本稿では,MMKGC の検索と再ランク付けを分離する Retrieval-Augmented Discrete Diffusion (RADD) フレームワークを提案する。 関係対応マルチモーダルKGEレトリバーは、グローバルレトリバーと蒸留教師の両方として機能し、条件付き離散デノイザは、再ランクのためのショートリストレベルのエンティティアイデンティティ生成を行う。 トレーニングには、KGEの監督、クロスエントロピーのデノイング、レトリバーからデノワザーへの温度スケールの蒸留が組み合わされている。 推測すると、デザインされたDiff-Rerankは、まずレトリバーでトップ$K$のショートリストを作成し、次にデノイザでリランクし、リコールが正確性のための厳格な前提条件であることを保証します。 3つのMMKGCベンチマークの実験では、RADDは強い単調、マルチモーダル、LLMベースのベースラインに対して最高の性能と一貫したゲインを達成する一方で、各コンポーネントの寄与をさらに検証している。

関連論文リスト

• GroupRank: A Groupwise Reranking Paradigm Driven by Reinforcement Learning [26.616849067985967]
  Groupwiseは、大規模な言語モデルのための新しいパラダイムである。 高品質な検索とランキングデータのための革新的なパイプラインを提案する。 得られたデータは、リランカのトレーニングだけでなく、レトリバーのトレーニングにも利用することができる。
  論文  参考訳（メタデータ） (2025-11-10T15:25:31Z)
• MARAG-R1: Beyond Single Retriever via Reinforcement-Learned Multi-Tool Agentic Retrieval [50.30107119622642]
  大規模言語モデル(LLM)は推論と生成において優れているが、本質的には静的事前学習データによって制限されている。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識に基盤を置くことでこの問題に対処する。 MarAG-R1は、LLMが複数の検索機構を動的に調整できる強化学習型マルチツールRAGフレームワークである。
  論文  参考訳（メタデータ） (2025-10-31T15:51:39Z)
• SIRAG: Towards Stable and Interpretable RAG with A Process-Supervised Multi-Agent Framework [7.37561751991963]
  本稿では,レシーバとジェネレータのギャップを埋めるプロセス管理型マルチエージェントフレームワークを提案する。 提案するフレームワークはモジュール式でプラグアンドプレイで、レトリバーやジェネレータを変更する必要はない。
  論文  参考訳（メタデータ） (2025-09-17T09:09:28Z)
• Improving Retrieval-Augmented Generation through Multi-Agent Reinforcement Learning [88.55095746156428]
  Retrieval-augmented Generation (RAG) は、外部知識を大規模言語モデルに組み込むために広く利用されている。 標準的なRAGパイプラインは、クエリ書き換え、文書検索、文書フィルタリング、回答生成など、いくつかのコンポーネントで構成されている。 本稿では,複数コンポーネントからなる複雑なRAGパイプラインを多エージェント協調作業として扱うことを提案する。
  論文  参考訳（メタデータ） (2025-01-25T14:24:50Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• MST-R: Multi-Stage Tuning for Retrieval Systems and Metric Evaluation [7.552430488883876]
  マルチステージチューニング戦略を用いて,検索器の性能を対象領域に適応させるシステムを提案する。 RIRAGチャレンジ用にリリースされたデータセット上で、システムパフォーマンスをベンチマークする。 我々は、RegNLPチャレンジリーダーボードのトップランクを獲得することで、大きなパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2024-12-13T17:53:29Z)
• Towards Competitive Search Relevance For Inference-Free Learned Sparse Retrievers [7.976154147999298]
  推測のないスパースモデルは 検索の関連という点で はるかに遅れています スパースモデルと密集したサイムズモデルの両方と比較して 性能改善のための2つのアプローチを提案する。 まず,IDFトークンの寄与を抑えるマッチング関数に対するIDF対応ペナルティを提案する。 第2に,シロイヌナズナと疎水性レトリーバーを組み合わせたヘテロジニアスアンサンブル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） (2024-11-07T03:46:43Z)

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。