論文の概要: Text-Graph Synergy: A Bidirectional Verification and Completion Framework for RAG

• arxiv url: http://arxiv.org/abs/2605.05643v1
• Date: Thu, 07 May 2026 03:49:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.509492
• Title: Text-Graph Synergy: A Bidirectional Verification and Completion Framework for RAG
• Title（参考訳）: Text-Graph Synergy: RAGの双方向検証と補完フレームワーク
• Authors: Jiarui Zhong, Hong Cai Chen,
• Abstract要約: RAGは、大規模言語モデルにおける事実的根拠付けとマルチホップ推論を強化するための中核的なパラダイムである。 textbfText-textbfGraph textbfSynergistic enhancementのための統合フレームワークである textbfTGS-RAG を提案する。
• 参考スコア（独自算出の注目度）: 0.46040036610482654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) has become a core paradigm for enhancing factual grounding and multi-hop reasoning in Large Language Models (LLMs). Traditional text-based RAG often retrieves logically irrelevant pseudo-evidence, while graph-based RAG is frequently hindered by search-time pruning, which may discard potentially valid reasoning paths. Existing hybrid approaches primarily adopt simple evidence concatenation or unidirectional enhancement, which fails to address the fundamental "Information Island" problem caused by asymmetric reasoning flows between unstructured text and structured graphs. We propose \textbf{TGS-RAG}, a unified framework for \textbf{T}ext-\textbf{G}raph \textbf{S}ynergistic enhancement. TGS-RAG introduces a bidirectional mechanism: (i) a \textbf{Graph-to-Text} channel that employs a Global Voting strategy from visited graph nodes to re-rank and refine textual evidence, filtering out semantic noise; and (ii) a \textbf{Text-to-Graph} channel that utilizes the \textbf{Memory-based Orphan Entity Bridging} algorithm. This algorithm utilizes textual cues to proactively resurrect valid but previously pruned reasoning paths from the search history without additional database overhead. Experimental results on multiple multi-hop reasoning benchmarks demonstrate that TGS-RAG significantly outperforms state-of-the-art baselines, achieving a superior balance between retrieval precision and computational efficiency.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、Large Language Models (LLMs) における現実的な基盤化とマルチホップ推論を強化するためのコアパラダイムとなっている。 従来のテキストベースのRAGは論理的に無関係な疑似証拠を回収することが多いが、グラフベースのRAGは検索時のプルーニングによってしばしば妨げられ、潜在的に有効な推論パスを破棄する可能性がある。 既存のハイブリッドアプローチは主に単純なエビデンス結合や一方向拡張を採用しており、非構造的テキストと構造化グラフの間の非対称な推論フローによって引き起こされる基本的な「情報島」問題に対処できない。 本稿では, textbf{T}ext-\textbf{G}raph \textbf{S}ynergistic enhancement の統一フレームワークである \textbf{TGS-RAG} を提案する。 TGS-RAGは双方向のメカニズムを導入します。 i) 訪問したグラフノードからGlobal Voting戦略を利用してテキストのエビデンスを再ランクし、洗練し、セマンティックノイズを除去する「textbf{Graph-to-Text}チャネル」。 (ii) \textbf{Text-to-Graph} チャネルで, \textbf{Memory-based Orphan Entity Bridging} アルゴリズムを利用する。 このアルゴリズムは、データベースのオーバーヘッドを増大させることなく、テキストの手がかりを用いて検索履歴から、有効だが以前に刈り取られた推論経路を積極的に復活させる。 複数のマルチホップ推論ベンチマーク実験の結果、TGS-RAGは最先端のベースラインを著しく上回り、検索精度と計算効率のバランスが良好であることが示された。

関連論文リスト

• LogicPoison: Logical Attacks on Graph Retrieval-Augmented Generation [20.236426631329593]
  グラフベースの検索言語生成(GraphRAG)は、構造化知識グラフに応答を基盤として、Large Language Models(LLM)の推論能力を向上する。 GraphRAGシステムのセキュリティは、基礎となるグラフのトポロジ的整合性に依存しており、論理的接続を暗黙的に破損させることによって損なわれる可能性がある。 疑似コンテンツを注入するのではなく,論理的推論をターゲットとした新たな攻撃フレームワークであるtextscLogicPoisonを提案する。
  論文  参考訳（メタデータ） (2026-04-03T10:42:07Z)
• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• 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)
• 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)
• You Don't Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures [16.867592142212203]
  大型言語モデル(LLM)はしばしば幻覚に悩まされ、知識を超えた質問を処理する際に、事実的に誤った文を生成する。 Retrieval-augmented Generation (RAG)は、LLM推論をサポートするために、知識ベースからクエリ関連コンテキストを取得することで、この問題に対処する。 既存のGraphベースのRAGメソッドは、コーパスをグラフに変換するためのコストの高いプロセスに依存しており、圧倒的なトークンコストとアップデートのレイテンシを導入している。 本稿では,推論時に推論構造を動的に抽出し,事前に構築したグラフを使わずに適応検索を誘導するLogicRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-08T08:07:40Z)
• 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)
• GRAG: Graph Retrieval-Augmented Generation [14.98084919101233]
  Graph Retrieval-Augmented Generation (GRAG)は、テキストサブグラフを取得する際の根本的な課題に取り組む。 本稿では,線形時間で最適な部分グラフ構造を検索する新たな分割・対数戦略を提案する。 グラフ推論ベンチマーク実験により, GRAG法が現在のRAG法より大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-26T10:11:40Z)

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。