論文の概要: TechGraphRAG: An Agentic Graph-Augmented RAG Framework for Technical Literature Reasoning

• arxiv url: http://arxiv.org/abs/2606.01613v1
• Date: Mon, 01 Jun 2026 03:01:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.892357
• Title: TechGraphRAG: An Agentic Graph-Augmented RAG Framework for Technical Literature Reasoning
• Title（参考訳）: TechGraphRAG - 技術的文献推論のためのエージェントグラフ拡張RAGフレームワーク
• Authors: Kanwar Bharat Singh,
• Abstract要約: 本稿では,ドメイン固有の技術的推論支援のためのエージェント検索強化世代(RAG)フレームワークを提案する。 提案アーキテクチャでは、クエリを意図的に分類する13ステップの自律パイプラインを使用し、多次元のルーリックに対して十分な証拠をスコアし、外部の学術データベースを検索する。 このフレームワークは、エージェント的でエビデンスを基盤としたRAGが、大規模でドメイン固有のコーパスに対する文学ナビゲーションと技術的推論をどのようにサポートするかを示す、実践的で実践的なケーススタディとして提示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an agentic retrieval-augmented generation (RAG) framework for domain-specific technical reasoning support, instantiated over a curated corpus of approximately 2,100 academic papers in intelligent tires, vehicle dynamics, and vehicle control. Unlike conventional single-pass RAG systems, the proposed architecture employs a 13-step autonomous pipeline that classifies queries by intent, scores evidence sufficiency against a multi-dimensional rubric, performs agentic retry with drift-guarded query reformulation, searches external academic databases (Crossref, OpenAlex, Semantic Scholar) through iterative optimize--search--vet loops, traverses a Neo4j knowledge graph for relational context, verifies citation integrity, and applies post-generation quality checks with automatic regeneration. Key contributions include a 100-point evidence sufficiency scoring framework across five dimensions with relevance damping and hybrid rule-based/LLM review; a route-dependent external search architecture with iterative agentic loops; a knowledge graph constructed via LLM-based entity extraction and OpenAlex author validation with intra-corpus citation resolution; and a self-correcting generation loop with citation verification and quality assessment. The framework is presented as a practical, implemented case study illustrating how agentic, evidence-grounded RAG can support literature navigation and technical reasoning over large, domain-specific corpora.
• Abstract（参考訳）: 本稿では, インテリジェントタイヤ, 車両力学, 車両制御において, 約2,100の学術論文のキュレートされたコーパスをインスタンス化した, ドメイン固有の技術的推論支援のためのエージェント検索強化世代(RAG)フレームワークを提案する。 従来のシングルパスRAGシステムとは異なり、提案アーキテクチャでは、クエリを意図的に分類する13ステップの自律パイプラインを採用し、多次元のルーリックに対してエビデンスをスコアし、ドリフトガードされたクエリ再構成によるエージェントリトライを行い、外部の学術データベース(Crossref、OpenAlex、Semantic Scholar)を反復最適化-検索-ベットループを通じて検索し、関係コンテキストのためのNeo4j知識グラフをトラバースし、引用完全性を検証し、自動更新による品質チェックを適用する。 主なコントリビューションとしては、関連減衰とハイブリッドルールベース/LLMレビューを伴う5次元の100ポイントのエビデンス評価フレームワーク、反復的エージェントループを持つ経路依存外部探索アーキテクチャ、LLMに基づくエンティティ抽出とOpenAlexによるコーパス内引用解決による著者検証による知識グラフ、引用検証と品質評価を備えた自己修正生成ループなどがある。 このフレームワークは、エージェント的でエビデンスを基盤としたRAGが、大規模でドメイン固有のコーパスに対する文学ナビゲーションと技術的推論をどのようにサポートするかを示す、実践的で実践的なケーススタディとして提示されている。

関連論文リスト

• Agentic GraphRAG: Navigating Unstructured Financial Data with Collaborative AI [0.28647133890966986]
  本稿では,商用レジストリデータのエキスパート分析のための協調エージェントGraphRAGフレームワークを提案する。 当社のアプローチでは,3フェーズパイプラインを通じてNeo4jナレッジグラフを構築しています。 Human-in-the-loopダッシュボードは、エビデンスと実行トレースを公開して、透明性と監査性をサポートする。
  論文  参考訳（メタデータ） (2026-04-15T16:16:14Z)
• Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs [55.78708003681562]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、生成時に外部知識を取り入れることで緩和する。 既存のRAGアプローチは通常、コンテキストとしてテキストフラグメントを検索し、非構造化する。 本稿では,三重項に基づく検索フレームワークTri-RAGを提案する。
  論文  参考訳（メタデータ） (2026-04-14T11:36:29Z)
• Leveraging Spreading Activation for Improved Document Retrieval in Knowledge-Graph-Based RAG Systems [0.0]
  Retrieval-augmented Generation (RAG) システムは、複雑な推論タスクに必要な多段階の証拠を確実に回収し、接続するのに苦労する。 標準的なRAGフレームワークのほとんどは、検索された全ての情報を、大きなテキストコーパスの様々な信頼性と相互接続性を見越して、等しく信頼できるものとみなしている。 自動構築された知識グラフによって相互接続された文書のコーパスから情報を取得するために,拡散活性化アルゴリズムを用いた新しいRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-17T19:38:35Z)
• 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)
• RAGulating Compliance: A Multi-Agent Knowledge Graph for Regulatory QA [0.0]
  規制コンプライアンス質問応答(QA)は、正確で検証可能な情報を必要とする。 我々は、レギュレーション三重項の知識グラフ(KG)とレトリーバル拡張生成(RAG)を統合する新しいマルチエージェントフレームワークを提案する。 我々のハイブリッドシステムは、複雑な規制クエリにおいて従来の手法よりも優れており、組込み三重項による事実の正しさが保証されている。
  論文  参考訳（メタデータ） (2025-08-13T15:51:05Z)
• HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
  HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。 システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
  論文  参考訳（メタデータ） (2025-08-01T20:30:42Z)
• 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)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• HM-RAG: Hierarchical Multi-Agent Multimodal Retrieval Augmented Generation [11.53083922927901]
  HM-RAGは階層型マルチエージェントマルチモーダルRAGフレームワークである。 構造化、非構造化、グラフベースのデータ間での動的知識合成のための協調知能の先駆者である。
  論文  参考訳（メタデータ） (2025-04-13T06:55:33Z)
• ArchRAG: Attributed Community-based Hierarchical Retrieval-Augmented Generation [16.204046295248546]
  Retrieval-Augmented Generation (RAG) は、外部知識を大規模言語モデルに統合するのに有効であることが証明されている。 我々は、Attributed Community-based Hierarchical RAG (ArchRAG)と呼ばれる新しいグラフベースのRAGアプローチを導入する。 属性付きコミュニティのための新しい階層型インデックス構造を構築し,効果的なオンライン検索手法を開発した。
  論文  参考訳（メタデータ） (2025-02-14T03:28:36Z)

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。