論文の概要: Reducing Hallucinations in Complex Question Answering using Simple Graph-based Retrieval-Augmented Generation (long version)
- arxiv url: http://arxiv.org/abs/2606.05901v1
- Date: Thu, 04 Jun 2026 09:07:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 22:39:44.677545
- Title: Reducing Hallucinations in Complex Question Answering using Simple Graph-based Retrieval-Augmented Generation (long version)
- Title（参考訳）: 簡単なグラフベース検索拡張生成を用いた複雑な質問応答における幻覚の低減(長期化)
- Authors: Christopher J. Wedge, Joshua Stutter, Danny Dixon, Jacek Cała,
- Abstract要約: 大規模言語モデル(LLM)は、自然言語処理のランドスケープを根本的に変えてきた。
検索拡張世代システム(RAG)は、LLMの「ハロシン化」情報のリスクを回避すべく、一般的な展開シナリオとして登場した。
本研究では,比較的単純なグラフスキーマを用いた軽量グラフ構造を用いて,専用のツールセットを通じてRAGサブシステムをサポートする方法を検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Large language models (LLMs) have fundamentally transformed the landscape of Natural Language Processing. Despite these advances, LLMs and LLM-based systems remain prone to a variety of failure modes. Retrieval-augmented generation (RAG) systems have emerged as a common deployment scenario seeking to both avoid the well known risk of the LLM "hallucinating" information, and to enable reasoning and question answering over proprietary information that the LLM did not have access to during training without resorting to expensive model fine-tuning. In this work, we explore the idea of using a lightweight graph structure with a relatively simple graph schema, to support the RAG subsystem via a dedicated toolset. We design an agentic system with a variety of vector search and graph query tools operating over a structured dataset based on a curated subset of English Wikipedia articles, and evaluate its performance on questions from MoNaCo, a challenging Wikipedia QA benchmark of complex query answering tasks. Our results show that the introduction of graph-based tools can significantly increase the precision and recall of factual correctness, can halve the number of hallucinated answers, and achieves the highest fine-grained truthfulness score among the three evaluated scenarios. All this with a modest increase in token usage.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、自然言語処理のランドスケープを根本的に変えてきた。
これらの進歩にもかかわらず、LSMとLSMベースのシステムは、様々な障害モードを伴いがちである。
検索型拡張世代システム(RAG)は、LLMの"幻覚"情報のリスクを回避し、LLMが高価なモデル微調整を使わずにトレーニング中にアクセスできないプロプライエタリな情報に対する推論と質問応答を可能にするため、一般的な展開シナリオとして登場した。
本研究では,比較的単純なグラフスキーマを用いた軽量グラフ構造を用いて,専用のツールセットを通じてRAGサブシステムをサポートする方法を検討する。
我々は、英語ウィキペディア記事のキュレートされたサブセットに基づいて、構造化データセット上で動作するさまざまなベクトル検索およびグラフクエリツールを備えたエージェントシステムを設計し、複雑なクエリ応答タスクの挑戦的なWikipedia QAベンチマークであるMoNaCoからの質問に対して、その性能を評価する。
以上の結果から,グラフベースのツールの導入は,事実の正確さと再現性を大幅に向上させ,幻覚的回答の数を半減させ,評価された3つのシナリオの中で最もきめ細かい真理性スコアを達成できることが示唆された。
これらはすべて、トークンの使用量がわずかに増加します。
関連論文リスト
- UltRAG: a Universal Simple Scalable Recipe for Knowledge Graph RAG [4.612466149994232]
Retrieval augmented generation (RAG) は、知識コーパス内の情報を特定し、それをモデルのコンテキストウィンドウに配置することで、事実エラーを減らそうとする。
本稿では,従来のRAGから切り離された知識グラフから情報を取得するための一般的なフレームワークであるULTRAGを紹介する。
我々の実験では、ULTRAGは最先端のKG-RAGソリューションと比較して性能が向上する。
論文 参考訳（メタデータ） (2026-01-28T14:31:29Z) - GRIP: In-Parameter Graph Reasoning through Fine-Tuning Large Language Models [40.5886835740214]
大規模言語モデル(LLM)は、逐次テキストデータのモデリングにおいて顕著な能力を示した。
グラフから複雑な関係情報を内部化できる新しいフレームワークGRIPを提案する。
この知識は軽量な LoRA パラメータに効率的に格納され、微調整された LLM が幅広いグラフ関連タスクを実行できる。
論文 参考訳（メタデータ） (2025-11-06T21:56:58Z) - AGRAG: Advanced Graph-based Retrieval-Augmented Generation for LLMs [15.570965946461255]
グラフベースの検索強化生成(RAG)は構造化知識でLarge Language Models(LLMs)を増強する大きな可能性を証明している。
既存の手法では、不正確なグラフ構築、不適切な推論能力、不適切な解答の3つの重要な課題に直面している。
本稿では,高度なグラフベースの検索拡張生成フレームワークであるAGRAGを提案する。
論文 参考訳（メタデータ） (2025-11-02T06:13:06Z) - GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。
抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。
提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
論文 参考訳（メタデータ） (2025-09-20T02:38:00Z) - DAGR: Decomposition Augmented Graph Retrieval with LLMs [1.034893617526558]
DAGRは、複雑な質問と、関連するリンクされたサブグラフを抽出するサブクエストにおけるそれらの分解の両方を活用する検索手法である。
結果として得られるGraph-RAGパイプラインは、複雑なマルチホップ質問の処理と、グラフ構造化データに対する効果的な推論に適している。
DAGRを標準マルチホップQAベンチマークで評価し、競合する既存手法に匹敵する性能または優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2025-06-16T11:44:28Z) - Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。
既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。
近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。
KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文 参考訳（メタデータ） (2025-06-11T12:03:52Z) - 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) - 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) - DARG: Dynamic Evaluation of Large Language Models via Adaptive Reasoning Graph [70.79413606968814]
本稿では,適応推論グラフ展開(DARG)によるLCMの動的評価を導入し,複雑性と多様性を制御した現在のベンチマークを動的に拡張する。
具体的には、まず現在のベンチマークでデータポイントの推論グラフを抽出し、それから推論グラフを摂動させて新しいテストデータを生成する。
このような新しく生成されたテストサンプルは、元のベンチマークと同様の言語的多様性を維持しながら、複雑さのレベルが異なる可能性がある。
論文 参考訳（メタデータ） (2024-06-25T04:27:53Z)
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。