論文の概要: TCAR-Gen: Temporal Graph Retrieval with Evidence Fusion for Knowledge-Grounded Generation

• arxiv url: http://arxiv.org/abs/2606.00029v1
• Date: Wed, 15 Apr 2026 17:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.586044
• Title: TCAR-Gen: Temporal Graph Retrieval with Evidence Fusion for Knowledge-Grounded Generation
• Title（参考訳）: TCAR-Gen:知識生成のためのエビデンス融合を用いた時間グラフ検索
• Authors: Sidra Nasir, Muhammad Noman Zahid, Rizwan Ahmed Khan,
• Abstract要約: TCAR-Genは、クエリ条件付きグラフニューラルネットワーク、時間的エビデンス融合、および検索されたエビデンスに答えを生成するチェーン・オブ・ツリーを組み合わせたフレームワークである。 Victorian Crime Diariesベンチマークでは、TCAR-Genが0.3738 Recall@5を達成し、Vanilla RAG、Temporal RAG、GraphRAG-C、GraphRAG-Tを上回っている。 本研究は,知識接地型コーパスに対する時間的明示的モデリングとマルチブランチエビデンス融合が,忠実で理性に富んだ質問応答に不可欠であることを示す。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation systems struggle with temporal reasoning and evidence fusion when answering complex questions over historical criminal case narratives. Existing approaches either retrieve independently of query semantics or fail to integrate multiple evidence sources coherently. We propose Temporal Context Augmented Retrieval Generation (TCAR-Gen), a framework that combines query-conditioned graph neural networks, temporal evidence fusion, and chain-of-trees reasoning to ground answer generation in retrieved evidence. On the Victorian Crime Diaries benchmark, TCAR-Gen achieves 0.3738 Recall@5, outperforming Vanilla RAG, Temporal RAG, GraphRAG-C, and GraphRAG-T across seven query types including multi-hop reasoning and counterfactual questions. Ablation studies reveal that the context graph, temporal penalty mechanism, and query conditioning are critical components. Cross-model evaluation across five language model (GPT-OSS 20B to TinyLlama 1.1B) demonstrates that TCAR-Gen maintains robust retrieval coverage at smaller model scales, though generation quality degrades substantially with reduced model capacity. Our work shows that explicit temporal modelling and multi-branch evidence fusion are essential for faithful, reasoning-intensive question answering over knowledge-grounded corpora.
• Abstract（参考訳）: 検索強化世代システムは、歴史的刑事事件の物語に関する複雑な疑問に答える際に、時間的推論と証拠の融合に苦慮する。 既存のアプローチはクエリセマンティクスから独立して取得するか、複数のエビデンスソースを一貫性を持って統合できないかのいずれかである。 本稿では,クエリ条件付きグラフニューラルネットワーク,時間的エビデンス融合,および探索されたエビデンスに解答生成を基礎とするチェーン・オブ・ツリーを組み合わせた,時間的文脈拡張検索生成(TCAR-Gen)を提案する。 Victorian Crime Diariesベンチマークでは、TAR-Genが0.3738 Recall@5を達成し、Vanilla RAG、Temporal RAG、GraphRAG-C、GraphRAG-Tを、マルチホップ推論や反ファクト質問を含む7種類のクエリタイプで上回っている。 アブレーション研究により、文脈グラフ、時間的ペナルティ機構、クエリ条件付けが重要な要素であることが判明した。 5つの言語モデル(GPT-OSS 20BからTinyLlama 1.1B)のクロスモデル評価は、TAR-Genがモデルキャパシティを低下させながら、より小さなモデルスケールで堅牢な検索範囲を維持していることを示している。 本研究は,知識接地型コーパスに対する時間的明示的モデリングとマルチブランチエビデンス融合が,忠実で理性に富んだ質問応答に不可欠であることを示す。

関連論文リスト

• 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)
• 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)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• T-GRAG: A Dynamic GraphRAG Framework for Resolving Temporal Conflicts and Redundancy in Knowledge Retrieval [4.114480531154174]
  本稿では,時間とともに知識の進化をモデル化する動的時間認識RAGフレームワークであるT-GRAGを提案する。 T-GRAGは、(1)時間スタンプで進化するグラフ構造を生成するテンポラル知識グラフ生成装置、(2)複雑な時間的クエリを管理可能なサブクエリに分解するテンポラルクエリ分解機構、(3)時間的サブグラフ間の検索を段階的にフィルタリングし洗練する3層インタラクティブレトリバーからなる。 T-GRAGは検索精度と応答性の両方において,RAGおよびGraphRAGベースラインよりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-08-03T09:15:36Z)
• Reading Between the Timelines: RAG for Answering Diachronic Questions [8.969698902720799]
  我々は、時間論理を注入するためにRAGパイプラインを根本的に再設計する新しいフレームワークを提案する。 提案手法は回答精度を大幅に向上し,標準RAG実装を13%から27%上回る結果となった。 この研究はRAGシステムに対する検証された経路を提供し、複雑な現実世界の質問に必要とされるニュアンス付き進化分析を行うことができる。
  論文  参考訳（メタデータ） (2025-07-21T05:19:41Z)
• 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)
• 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)

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。