論文の概要: Why Neighborhoods Matter: Traversal Context and Provenance in Agentic GraphRAG

• arxiv url: http://arxiv.org/abs/2605.15109v1
• Date: Thu, 14 May 2026 17:25:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.981188
• Title: Why Neighborhoods Matter: Traversal Context and Provenance in Agentic GraphRAG
• Title（参考訳）: なぜ近隣が重要なのか : エージェントグラフRAGの経時的文脈と出現
• Abstract要約: エージェントグラフRAGは、外部証拠の回答を根拠にすることで、事実性を改善することができる。 我々は、軌道レベルの問題として引用忠実性を定めている。 引用された証拠は、解答が大幅に変わるため、しばしば必要であることを示す。 しかし、正確な答えは暗黙の文脈や周囲のグラフ構造にも依存するため、引用は不十分である。
• 参考スコア（独自算出の注目度）: 0.6882042556551609
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation can improve factuality by grounding answers in external evidence, but Agentic GraphRAG complicates what it means for citations to be faithful. In these systems, an agent explores a knowledge graph before producing an answer and a small set of citations. We frame citation faithfulness as a trajectory-level problem: final citations should not only support the answer, but also account for the graph traversal, structure, and visited-but-uncited entities that may influence it. Through controlled ablation experiments, we compare the effects of isolating, removing, and masking cited and uncited graph entities. Our results show that cited evidence is often necessary, as removing it substantially changes answers and reduces accuracy. However, citations are not sufficient, because accurate answers can also depend on uncited traversal context and surrounding graph structure. These findings suggest that citation evaluation in Agentic GraphRAG should move beyond source support toward provenance over the broader retrieval trajectory.
• Abstract（参考訳）: Retrieval-Augmented Generationは、外部の証拠に答えを根拠にして事実性を改善することができるが、Agentic GraphRAGは引用が忠実であることの意味を複雑にしている。 これらのシステムでは、エージェントは答えと少量の引用を生成する前に知識グラフを探索する。 最終的な引用は、答えをサポートするだけでなく、グラフのトラバーサル、構造、そしてそれに影響を与える可能性のあるビジター・ブット・アクティベートな実体も考慮すべきである。 制御されたアブレーション実験を通じて、引用されたグラフエンティティと暗黙のグラフエンティティの分離、除去、マスキングの効果を比較した。 以上の結果から,引用された証拠は,解答を大幅に変更し,精度を低下させるため,しばしば必要であることが示唆された。 しかし、正確な答えは暗黙の軌跡や周囲のグラフ構造にも依存するため、引用は不十分である。 これらの結果から, エージェントグラフRAGの引用評価は, より広範な検索軌跡を越えて, 出典支援以上のものとなることが示唆された。

関連論文リスト

• CAGE: Cognitive Attribution Graphs for Faithful Inline Citation Generation in Long-Form Question Answering [27.49652522104852]
  我々は,回答生成に先立って認知属性マップを明示的に導入するフレームワークであるCAGEを提案する。 CAGEは最先端のパフォーマンスを実現し、帰属空間の収縮とマップ誘導励起生成の有効性を実証する。
  論文  参考訳（メタデータ） (2026-07-27T10:14:45Z)
• VeriGraph: Towards Verifiable Data-Analytic Agents [71.17693022916896]
  LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、その出力は滅多に検証されていない。 We propose VeriGraph, a traceable neuro-symbolic reasoning framework that agent can construct an explicit heterogeneous evidence directed acyclic graph。 以上の結果から,明示的なエビデンスグラフ構築がデータ分析エージェントの検証に期待できる道のりであることが示唆された。
  論文  参考訳（メタデータ） (2026-06-15T11:50:56Z)
• How Do LLMs Cite? A Mechanistic Interpretation of Attribution in Retrieval-Augmented Generation [3.4562767039451674]
  ファクトイドの質問に答えながらインライン・引用を付加するかを,大規模言語モデルがどう判断するかを示す。 以上より,PopQAでは,これらの臨界頭部のみを増幅または減衰させ,解答精度を損なうことなく69%の急激な頭部を除去できることが示唆された。 結果は、モデルが明らかな推論と内部の計算経路を切断する可能性を明らかにした。
  論文  参考訳（メタデータ） (2026-06-09T07:06:13Z)
• Visual Graph Scaffolds for Structural Reasoning in Large Language Models [49.507575509154385]
  グラフは、大きな言語モデル(LLM)を強化するために使われてきた。 本稿では, LLM のグラフの値は情報提供だけでなく, 組織的推論にも当てはまる。 人間はグラフ構造化マインドマップを使って、枝分かれや収束する思考を整理し、グラフが推論支援の内的形態として機能するかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-01T12:17:52Z)
• Why Retrieval-Augmented Generation Fails: A Graph Perspective [40.34482080762174]
  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。
  論文  参考訳（メタデータ） (2026-05-13T23:18:07Z)
• CiteAudit: You Cited It, But Did You Read It? A Benchmark for Verifying Scientific References in the LLM Era [51.63024682584688]
  大規模言語モデル (LLM) は新たなリスクを導入している。 本稿では,科学文献における幻覚的引用のための総合的なベンチマークおよび検出フレームワークについて紹介する。 我々のフレームワークは、精度と解釈可能性の両方において、先行手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-26T19:17:39Z)
• Relink: Constructing Query-Driven Evidence Graph On-the-Fly for GraphRAG [10.60635000782353]
  本稿では,問合せ固有のエビデンスグラフを動的に構築するフレームワークであるRelinkを提案する。 Relinkは、主要なGraphRAGベースラインよりもEMで5.4%、F1で5.2%の大幅な平均改善を実現している。
  論文  参考訳（メタデータ） (2026-01-12T04:35:23Z)
• Citation Failure: Definition, Analysis and Efficient Mitigation [56.09968229868067]
  LLMベースのRAGシステムからの引用は、応答検証の簡略化を目的としている。 これは、モデルが有効な応答を生成するとき、引用失敗には当てはまらないが、完全な証拠を引用することができない。 応答自体に欠陥があり、完全な証拠を引用することは不可能である。
  論文  参考訳（メタデータ） (2025-10-23T07:47:22Z)
• VeriCite: Towards Reliable Citations in Retrieval-Augmented Generation via Rigorous Verification [107.75781898355562]
  証拠を厳格に検証し,回答の帰属性を高めるために設計された,VeriCiteと呼ばれる新しいフレームワークを紹介する。 我々は,5つのオープンソースLCMと4つのデータセットを対象とした実験を行い,VeriCiteが回答の正しさを維持しつつ,引用品質を大幅に向上できることを実証した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:54Z)
• Deep Graph Learning for Anomalous Citation Detection [55.81334139806342]
  本稿では,新たな深層グラフ学習モデルであるGLAD(Graph Learning for Anomaly Detection)を提案する。 GLADフレームワーク内ではCPU(Citation PUrpose)と呼ばれるアルゴリズムが提案され,引用テキストに基づく引用の目的が明らかになった。
  論文  参考訳（メタデータ） (2022-02-23T09:05:28Z)
• Graph-based Retrieval for Claim Verification over Cross-Document Evidence [0.6853165736531939]
  グラフに基づくアプローチは、断片化された証拠を特定するのに役立つと推測する。 我々はこの仮説を、コーパス全体にわたって、上述したエンティティによってテキスト部分を相互接続する大きなグラフを構築して検証した。 実験により,グラフ構造を活用することは,クレームに関連する通路のごく一部を特定する上で有益であることが確認された。
  論文  参考訳（メタデータ） (2021-09-13T14:54:26Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)

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。