論文の概要: Why Retrieval-Augmented Generation Fails: A Graph Perspective

• arxiv url: http://arxiv.org/abs/2605.14192v1
• Date: Wed, 13 May 2026 23:18:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.536458
• Title: Why Retrieval-Augmented Generation Fails: A Graph Perspective
• Title（参考訳）: Retrieval-Augmented Generationが失敗する理由:グラフの視点から
• Authors: Kai Guo, Xinnan Dai, Zhibo Zhang, Nuohan Lin, Shenglai Zeng, Jie Ren, Haoyu Han, Jiliang Tang,
• Abstract要約: 本稿では,検索された証拠が回答生成にどのように影響するかを検証した検索強化生成のモデル内研究について述べる。 属性-グラフトポロジ機能を用いたグラフベースの誤り検出フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 40.34482080762174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) has become a powerful and widely used approach for improving large language models by grounding generation in retrieved evidence. However, RAG systems still produce incorrect answers in many cases. Why RAG fails despite having access to external information remains poorly understood. We present a model-internal study of retrieval-augmented generation that examines how retrieved evidence influences answer generation. Using circuit tracing, we construct attribution graphs that model the flow of information through transformer layers during decoding. These graphs represent interactions among retrieved context, intermediate model activations, and generated tokens, providing a graph, circuit-level view of how external evidence is integrated into the model's reasoning process across multiple question answering benchmarks, we observe consistent structural differences: correct predictions exhibit deeper reasoning paths, more distributed evidence flow, and a more structured pattern of local connectivity, while failed predictions show shallower, fragmented, and overly concentrated evidence flow. Building on these findings, we develop a graph-based error detection framework that uses attribution-graph topology features. Furthermore, we show that attribution graphs enable targeted interventions. By reinforcing question-constrained evidence grounding, we reshape internal routing so that answer generation remains guided by the question, leading to more effective integration of retrieved information and fewer errors.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、大規模言語モデルを改善するための強力な、広く使われている手法となっている。 しかし、RAGシステムはいまだ多くのケースで誤った答えを出している。 外部情報にアクセスしても、なぜRAGが失敗するのかは、まだよく分かっていない。 本稿では,検索された証拠が回答生成にどのように影響するかを検証した検索強化生成のモデル内研究について述べる。 回路トレースを用いて,デコード中にトランスフォーマー層を通して情報の流れをモデル化する属性グラフを構築する。 これらのグラフは、検索されたコンテキスト、中間モデルアクティベーション、および生成されたトークン間の相互作用を表し、複数の質問応答ベンチマークにまたがるモデルの推論プロセスに外部エビデンスがどのように統合されているかのグラフ、回路レベルのビューを提供し、一貫した構造的差異を観察する。 これらの知見に基づいて,属性-グラフトポロジ機能を用いたグラフベースの誤り検出フレームワークを開発した。 さらに、帰属グラフが目的の介入を可能にすることを示す。 質問制約の根拠となる証拠を補強することにより、内部ルーティングを再構築し、質問によって回答の生成がガイドされるようにし、検索された情報のより効果的な統合とエラーの少ないものにする。

関連論文リスト

• ArbGraph: Conflict-Aware Evidence Arbitration for Reliable Long-Form Retrieval-Augmented Generation [47.25596369834373]
  ArbGraphは、長期RAGにおける前世代のエビデンス仲裁のためのフレームワークである。 ArbGraphは取得した文書をアトミックなクレームに分解し、それらをコンフリクト対応エビデンスグラフに整理する。 ArbGraphは、幻覚を低減し、検索ノイズに対する感度を低下させながら、ファクトリコールと情報密度を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-04-20T14:51:43Z)
• 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)
• 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)
• RouteRAG: Efficient Retrieval-Augmented Generation from Text and Graph via Reinforcement Learning [69.87510139069218]
  Retrieval-Augmented Generation (RAG)は、非パラメトリック知識をLarge Language Models (LLM)に統合する 強化学習(RL)による多ターン推論へのテキストベースRAGの進歩 LLMがマルチターンおよび適応的なグラフテキストハイブリッドRAGを実現するためのRLベースのフレームワークであるモデルを導入する。
  論文  参考訳（メタデータ） (2025-12-10T10:05:31Z)
• 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)
• Graph-based Approaches and Functionalities in Retrieval-Augmented Generation: A Comprehensive Survey [15.60128530639056]
  大規模な言語モデル(LLM)は、十分なトレーニングデータと最も更新された知識が不足しているため、推論中に事実エラーに悩まされる。 検索・拡張生成(RAG)はLLMの限界に対処するための有望な解決策として注目されている。 この調査は、RAG内のグラフの機能とパフォーマンス向上への影響について、新たな視点を提供する。
  論文  参考訳（メタデータ） (2025-04-08T03:52:05Z)
• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• Causal Graphs Meet Thoughts: Enhancing Complex Reasoning in Graph-Augmented LLMs [4.701165676405066]
  関連情報を検索するだけでなく、因果推論や説明可能性の提供も重要である。 本稿では,大きな知識グラフをフィルタして原因効果エッジを強調する新しいパイプラインを提案する。 医学的質問応答タスクの実験では、一貫した利得を示し、最大10%の絶対的な改善がある。
  論文  参考訳（メタデータ） (2025-01-24T19:31:06Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)

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。