論文の概要: Ex-GraphRAG: Interpretable Evidence Routing for Graph-Augmented LLMs

• arxiv url: http://arxiv.org/abs/2605.21994v1
• Date: Thu, 21 May 2026 04:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.094778
• Title: Ex-GraphRAG: Interpretable Evidence Routing for Graph-Augmented LLMs
• Title（参考訳）: 元GraphRAG:グラフ拡張LDMの解釈可能なエビデンスルーティング
• Authors: Yoav Kor Sade, Arvindh Arun, Rishi Puri, Steffen Staab, Maya Bechler-Speicher,
• Abstract要約: GraphRAGは、知識グラフから取得したサブグラフ上の言語モデルを、メッセージパスGNNを介して符号化する。 我々は、GNNエンコーダをGraph Neural Additive Network (M-GNAN)に置き換えるEx-GraphRAGを紹介する。 STaRK-Primeでは、この監査可能なエンコーダはブラックボックスのパフォーマンスにマッチする。
• 参考スコア（独自算出の注目度）: 13.05420221505417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: GraphRAG conditions language models on subgraphs retrieved from knowledge graphs, encoded via message-passing GNNs. Because these encoders entangle node contributions through iterated neighborhood aggregation, there is no closed-form way to determine how much each retrieved entity influenced the encoder's output, and therefore no way to faithfully audit what structural evidence actually reached the model. We introduce Ex-GraphRAG, which replaces the GNN encoder with a Multivariate Graph Neural Additive Network (M-GNAN), an extension of additive graph models to high-dimensional embedding spaces that yields an exact decomposition of the encoder's output across individual nodes and feature groups, without post-hoc approximation. On STaRK-Prime, this auditable encoder matches black-box performance. Using it to audit evidence routing, we uncover a semantic-structural mismatch: the nodes that dominate the encoder's output are structurally disconnected in the retrieved subgraph, held together by low-attribution intermediaries whose removal degrades multi-hop QA by up to 28%. This mismatch, invisible to any opaque encoder, reveals that semantic importance and structural connectivity are governed by disjoint sets of nodes, with direct implications for retrieval pruning, context construction, and failure diagnosis in graph-augmented LLMs.
• Abstract（参考訳）: GraphRAGは、知識グラフから取得したサブグラフ上の言語モデルを、メッセージパスGNNを介して符号化する。 これらのエンコーダは、反復した近傍アグリゲーションを通じてノードの寄与を絡み合わせるため、各取得したエンティティがエンコーダの出力にどの程度影響を与えたかを決定するクローズドフォームな方法はなく、したがって、実際にモデルに到達した構造的エビデンスを忠実に監査する手段はない。 我々は,GNNエンコーダを多変量グラフニューラルネットワーク(M-GNAN)に置き換えたEx-GraphRAGを紹介した。 STaRK-Primeでは、この監査可能なエンコーダはブラックボックスのパフォーマンスにマッチする。 エンコーダの出力を支配するノードは、取得したサブグラフで構造的に切断され、削除されたマルチホップQAが最大28%低下する低属性の仲介者によって保持される。 このミスマッチは、不透明なエンコーダには見えないが、意味的重要性と構造的接続性は、検索プルーニング、コンテキスト構築、グラフ拡張LDMにおける障害診断に直接的な意味を持つ、ノードの解離した集合によって制御されている。

関連論文リスト

• SCGNN: Semantic Consistency enhanced Graph Neural Network Guided by Granular-ball Computing [21.531111082932284]
  ノード間のセマンティック一貫性の獲得は、効果的なグラフ表現学習に不可欠である。 本稿では,新しいプラグイン・アンド・プレイフレームワークであるSemantic Consistency enhanced Graph Neural Network (SCGNN)を提案する。 SCGNNは、ノードをグラニュラーボールに適応的に分割することで、グループレベルの意味構造をモデル化する。
  論文  参考訳（メタデータ） (2026-05-04T14:09:56Z)
• Graph-Based Fraud Detection with Dual-Path Graph Filtering [52.459703746017624]
  グラフデータの不正検出には、異なるタイプのノードを区別する必要がある。 本稿では,デュアルパスグラフフィルタを用いたグラフベースフラッド検出モデルを提案する。 4つの実世界の金融不正検出データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-04-14T20:46:36Z)
• 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)
• UniGTE: Unified Graph-Text Encoding for Zero-Shot Generalization across Graph Tasks and Domains [12.05107789697386]
  構造的および意味的推論を統一する命令調整型エンコーダデコーダフレームワークUniGTEを紹介する。 UniGTEは、ノードレベル、エッジレベル、およびさまざまなドメインにわたるグラフレベルタスクにまたがる5つのデータセットに基づいて、命令調整される。 クロスタスクおよびクロスドメイン設定下で、ノード分類、リンク予測、グラフ分類、グラフ回帰に関する最新のゼロショットの新たな結果を達成する。
  論文  参考訳（メタデータ） (2025-10-19T15:36:45Z)
• 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)
• LASE: Learned Adjacency Spectral Embeddings [9.227991604045416]
  グラフ入力から結節隣接スペクトル埋め込み(ASE)を学習する。 LASEは解釈可能で、パラメータ効率が高く、未観測のエッジを持つ入力に対して堅牢である。 LASEレイヤは、Graph Convolutional Network (GCN)と完全に接続されたGraph Attention Network (GAT)モジュールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-23T17:35:19Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)

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。