論文の概要: Graph2Idea:Retrieval-Augmented Scientific Idea Generation with Graph-Structured Contexts

• arxiv url: http://arxiv.org/abs/2606.09105v2
• Date: Tue, 09 Jun 2026 09:03:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 13:21:50.810364
• Title: Graph2Idea:Retrieval-Augmented Scientific Idea Generation with Graph-Structured Contexts
• Title（参考訳）: Graph2Idea:グラフ構造化コンテキストを用いた検索型科学アイデア生成
• Authors: Xu Li, Hanzhe Tu, Xun Han,
• Abstract要約: Graph2Ideaは、検索強化された科学的アイデア生成のための知識グラフ誘導フレームワークである。 まず、入力トピックに従って論文を検索し、構造化された知識トリプルに変換し、ターゲット中心の知識グラフを動的に構築する。 そして、ノイズの多いテキスト入力を減らしながら、目標関連リレーショナルエビデンスを保持する、コンパクトなグラフベースのコンテキストを抽出する。
• 参考スコア（独自算出の注目度）: 3.548612755859995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating novel, feasible, and high-quality research ideas is an important yet challenging task in scientific discovery. Recent Large Language Model (LLM)-based methods often ground idea generation with retrieved literature, but the retrieved evidence is usually provided as flat text, such as titles, abstracts, or summaries. Such flat contexts may contain redundant or weakly relevant information, while making cross-paper relations among problems, methods, mechanisms, and findings difficult to identify and trace. To address this challenge, we propose Graph2Idea, a knowledge graph-guided framework for retrieval-augmented scientific idea generation.Graph2Idea first retrieves papers according to the input topic, transforms them into structured knowledge triples, and dynamically constructs a target-centered knowledge graph to make literature relations explicit. It then extracts compact graph-derived contexts that retain target-relevant relational evidence while reducing noisy textual input.Based on these contexts, a two-stage generation process first identifies promising research directions and then guides the LLM to synthesize candidate ideas from graph-grounded evidence. Experiments on a scientific idea generation benchmark show that Graph2Idea outperforms representative baselines under the automatic evaluation protocol. Compared with the strongest baseline scores, it improves Novelty from 0.45 to 0.52, Quality from 0.24 to 0.29, and Feasibility from 0.22 to 0.28. These results suggest that graph-structured evidence helps LLMs generate research ideas through more explicit, compact, and traceable recombination of prior scientific knowledge.
• Abstract（参考訳）: 新規で実現可能で高品質な研究アイデアを生成することは、科学的発見において重要な課題である。 最近のLarge Language Model (LLM) ベースの手法は、しばしば検索された文献でアイデア生成を基礎とするが、検索された証拠は通常、タイトル、要約、要約などの平易なテキストとして提供される。 このようなフラットなコンテキストには冗長あるいは弱い関連情報が含まれ、問題、方法、メカニズム、発見を識別し追跡するのが困難である。 この課題に対処するために、我々は、検索強化された科学的アイデア生成のための知識グラフ誘導フレームワークであるGraph2Ideaを提案する。Graph2Ideaは、まず、入力トピックに従って論文を検索し、構造化された知識トリプルに変換し、ターゲット中心の知識グラフを動的に構築し、文学関係を明確にする。 次に、2段階生成プロセスは、まず、有望な研究方向を識別し、次にLLMにグラフグラウンドのエビデンスから候補アイデアを合成するよう誘導する。 科学的アイデア生成ベンチマークの実験は、Graph2Ideaが自動評価プロトコルで代表ベースラインを上回っていることを示している。 最強のベースラインスコアと比較すると、ノベルティは0.45から0.52、クオリティは0.24から0.29、フィージビリティは0.22から0.28に改善されている。 これらの結果は、グラフ構造化エビデンスにより、LLMはより明確でコンパクトでトレース可能な事前の科学的知識の組換えを通じて研究アイデアを創出することができることを示唆している。

関連論文リスト

• LECTOR: Joint Optimization of Scientific Reasoning Graphs and Introduction Generation [57.70907667652966]
  序文は特に難解であり、論理的な健全さと検証可能な忠実さを要求する。 ほとんどのAI支援手法は、推論や構造化ではなく、タスクをテキスト生成として扱うため、深刻な欠点が生じる。 我々は,科学者の論理を厳格に追従し,高品質な引用を加え,構造化された表現を維持できる新しい論理表現協調強化学習フレームワークであるLECTORを提案する。
  論文  参考訳（メタデータ） (2026-05-25T15:41:16Z)
• Graph Your Way to Inspiration: Integrating Co-Author Graphs with Retrieval-Augmented Generation for Large Language Model Based Scientific Idea Generation [1.2232326171442904]
  本稿では,GYWIと呼ばれる科学的アイデア生成システムを提案する。 著者の知識グラフと検索強化世代(RAG)を組み合わせることで、外部知識基盤を形成する。 生成したアイデアは, 新規性, 実現可能性, 明確性, 妥当性, 重要性の5つの側面から評価される。
  論文  参考訳（メタデータ） (2025-12-05T03:38:23Z)
• 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)
• CG-RAG: Research Question Answering by Citation Graph Retrieval-Augmented LLMs [9.718354494802002]
  CG-RAG(Contextualized Graph Retrieval-Augmented Generation)は、グラフ構造に疎密な検索信号を統合する新しいフレームワークである。 まず、引用グラフの文脈グラフ表現を提案し、文書内および文書間の明示的および暗黙的な接続を効果的にキャプチャする。 次にLexical-Semantic Graph Retrieval(LeSeGR)を提案する。 第3に,検索したグラフ構造化情報を利用した文脈認識生成手法を提案する。
  論文  参考訳（メタデータ） (2025-01-25T04:18:08Z)
• GRAG: Graph Retrieval-Augmented Generation [14.98084919101233]
  Graph Retrieval-Augmented Generation (GRAG)は、テキストサブグラフを取得する際の根本的な課題に取り組む。 本稿では,線形時間で最適な部分グラフ構造を検索する新たな分割・対数戦略を提案する。 グラフ推論ベンチマーク実験により, GRAG法が現在のRAG法より大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-26T10:11:40Z)
• H2CGL: Modeling Dynamics of Citation Network for Impact Prediction [13.00224680454585]
  対象論文の階層的および異質なグラフを年次視点で構築する。 このグラフは、対象論文の科学的文脈情報の年次動態を記録することができる。 階層型および不均一なグラフ学習モデルであるグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-04-16T13:04:32Z)
• Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
  我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。 予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。 そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
  論文  参考訳（メタデータ） (2022-12-08T11:53:12Z)
• Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
  引用グラフを用いて科学論文の要約作業を再定義します。 我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。 我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
  論文  参考訳（メタデータ） (2021-04-07T11:13:35Z)

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。