論文の概要: SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges

• arxiv url: http://arxiv.org/abs/2606.15971v1
• Date: Sun, 14 Jun 2026 18:52:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.96783
• Title: SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges
• Title（参考訳）: SAG: クエリ時動的ハイパーエッジを備えたSQL-Retrieval Augmented Generation
• Abstract要約: 本稿では,検索およびエージェントシステムのための構造化アーキテクチャであるSAG(Retrieval Augmented Generation)を紹介する。 グローバルな静的グラフを事前に構築する代わりに、SAGは各チャンクをセマンティックに完全なイベントとインデックスエンティティのセットに変換する。 SAGはまた、数億のデータ項目のプロダクションスケールでデプロイされており、オンライン検索のレイテンシは数秒以内である。
• 参考スコア（独自算出の注目度）: 2.0521761359589914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) offers an effective approach for large language models to access external knowledge. However, existing methods rely on dense similarity retrieval and face inherent limitations in handling structured constraints and multi-hop reasoning. Incorporating knowledge graphs partially alleviates these issues, but at the cost of semantic fragmentation, high maintenance overhead, and difficult incremental updates. This paper introduces SAG (SQLRetrieval Augmented Generation), a structured architecture for retrieval and agent systems. Instead of pre-building a global static graph, SAG converts each chunk into one semantically complete event and a set of indexing entities, then uses SQL join queries to dynamically link events that share entities into local hyperedges,constructing, at query time, a dynamically instantiated local index structure. This design avoids the need for global graph rebuilding and ongoing maintenance; the system naturally supports incremental writes, concurrent processing, and continuous scaling through its reliance on standard database infrastructure. Across HotpotQA, 2WikiMultiHop, and MuSiQue, three standard multi-hop benchmarks,SAG achieves the best results on 8 out of 9 Recall@K metrics, reaching 80.0% Recall@5 on MuSiQue, the benchmark with the highest multi-hop reasoning demands.SAG has also been deployed at a production scale of hundreds of millions of data items, with online retrieval latency kept within seconds. Project site and code are available at https://github.com/Zleap-AI/SAG-Benchmark.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、大規模言語モデルが外部知識にアクセスするための効果的なアプローチを提供する。 しかし、既存の手法は、構造的制約やマルチホップ推論を扱う際に、密接な類似性検索と固有の制約に頼っている。 知識グラフを組み込むことはこれらの問題を部分的に軽減しますが、セマンティックな断片化、高いメンテナンスオーバーヘッド、困難なインクリメンタルアップデートといったコストがかかります。 本稿では,検索およびエージェントシステムのための構造化アーキテクチャであるSAG(SQLRetrieval Augmented Generation)を紹介する。 グローバルな静的グラフを事前に構築する代わりに、SAGは各チャンクを1つのセマンティック完全イベントとインデックスエンティティのセットに変換し、SQL結合クエリを使用してエンティティを共有するイベントをローカルハイパーエッジに動的にリンクし、クエリ時に動的にインスタンス化されたローカルインデックス構造を構築する。 この設計は、グローバルグラフの再構築と継続的なメンテナンスの必要性を回避する。システムは、標準データベースインフラストラクチャへの依存を通じて、インクリメンタル書き込み、並列処理、継続的なスケーリングを自然にサポートする。 HotpotQA、2WikiMultiHop、MuSiQueの3つの標準マルチホップベンチマークであるSAGは、9つ中8つのRecall@Kメトリクスで最高の結果を達成し、MuSiQue上で80.0% Recall@5に達した。 プロジェクトサイトとコードはhttps://github.com/Zleap-AI/SAG-Benchmarkで公開されている。

関連論文リスト

• SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges [2.0521761359589914]
  SAG(Retrieval Augmented Generation)は、グローバルな知識グラフを構築することなく、文書をイベントエンテントインデックスに整理する。 SAGは、ベンチマーク毎に最高の検索とエンドツーエンドのQAパフォーマンスを達成する。 この作業は、LLMエージェントが継続的に成長する組織的知識を検索し、推論することを可能にする知識基盤の道を開く。
  論文  参考訳（メタデータ） (2026-08-12T14:49:40Z)
• CacheRAG: A Semantic Caching System for Retrieval-Augmented Generation in Knowledge Graph Question Answering [5.427221152449008]
  CacheRAGはKnowledge Graph Question Answeringのための、システマティックなキャッシュ拡張アーキテクチャである。 ステートレスプランナーを継続的な学習者に変える。 これは最先端のベースラインを大きく上回る。
  論文  参考訳（メタデータ） (2026-04-28T23:46:47Z)
• HG-RAG: Hierarchy-Guided Retrieval-Augmented Generation for Structured Knowledge Graphs [0.0]
  HG-RAG(Hierarchy-Guided RAG)は、階層的な知識グラフ上でグラフトラバースを実行し、構造化されたコンテキストを言語モデルに提供するフレームワークである。 そこで,HG-RAGを3つの世界規模(18-800ノード)にわたる高密度検索ベースラインに対して4種類のクエリタイプで評価した。 その結果、HG-RAGは階層的、リレーショナル、マルチホップ推論タスクにおいて、フラットベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-04-16T01:05:19Z)
• S2GS: Streaming Semantic Gaussian Splatting for Online Scene Understanding and Reconstruction [57.07346645250984]
  Streaming Semantic Gaussian Splatting (S2GS) は厳密に因果的かつ漸進的な3D Gaussianセマンティックフィールドフレームワークである。 将来のフレームを活用せず、歴史的フレームを再処理することなく、シーンの幾何学、外観、インスタンスレベルのセマンティクスを継続的に更新する。 S2GSは、ジョイントリコンストラクションとアンダーホールドのベンチマークにおいて、強いオフラインベースラインをマッチまたは上回る。
  論文  参考訳（メタデータ） (2026-03-15T05:48:55Z)
• Agentic DAG-Orchestrated Planner Framework for Multi-Modal, Multi-Hop Question Answering in Hybrid Data Lakes [5.276278723196607]
  Agentic DAG-Orchestrated Transformer (A.DOT) Plannerはマルチモーダル・マルチホップ質問応答のためのフレームワークである。 A.DOTは、ユーザNLクエリを構造化および非構造化の両方にまたがる有向非巡回グラフ(DAG)実行計画にコンパイルする。 System Decomposes query into parallelizable sub-queries, includess schema-aware reasoning, and applied both structure and semantic validation。
  論文  参考訳（メタデータ） (2026-03-15T05:34:16Z)
• MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries [2.756584457554517]
  Map-Disambiguate-Enrich-Reduce (MDER)はコンテキスト由来の3重記述を生成し、エンティティレベルの要約と統合する。 Decompose-Resolve (DR)は、ユーザクエリを解決可能なトリプルに分解し、知識グラフに格納する。 MDERとDRはLLM駆動のQAパイプラインを形成し、スパース、不完全、複雑なリレーショナルデータに対して堅牢である。
  論文  参考訳（メタデータ） (2026-03-11T18:38:44Z)
• INHerit-SG: Incremental Hierarchical Semantic Scene Graphs with RAG-Style Retrieval [32.38739911399099]
  INHerit-SGは、複雑な環境で解釈可能な人間の意図的推論をサポートするセマンティックなシーングラフである。 イベントトリガーマップ更新メカニズムは、意味のあるセマンティックイベントが発生した場合にのみグラフを再編成する。 この明示的な解釈可能性により、複雑な検索の成功率と信頼性が向上し、システムはより広範なヒューマンインタラクションタスクに適応できる。
  論文  参考訳（メタデータ） (2026-02-13T14:45:55Z)
• Query-Centric Graph Retrieval Augmented Generation [15.423162448800134]
  QCG-RAGはクエリ中心のグラフRAGフレームワークで、クエリ粒度インデックスとマルチホップチャンク検索を可能にする。 LiHuaWorldとMultiHop-RAGの実験では、QCG-RAGは問合せ精度において、チャンクベースおよびグラフベースのRAG法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-09-25T14:35:44Z)
• The benefits of query-based KGQA systems for complex and temporal questions in LLM era [55.20230501807337]
  大規模言語モデルは質問回答(QA)に優れていますが、マルチホップ推論や時間的質問には苦戦しています。 クエリベースの知識グラフ QA (KGQA) は、直接回答の代わりに実行可能なクエリを生成するモジュール形式の代替手段を提供する。 WikiData QAのためのマルチステージクエリベースのフレームワークについて検討し、課題のあるマルチホップと時間ベンチマークのパフォーマンスを向上させるマルチステージアプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-16T06:41:03Z)
• 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)
• SiReRAG: Indexing Similar and Related Information for Multihop Reasoning [96.60045548116584]
  SiReRAGは、類似情報と関連する情報の両方を明示的に考慮する新しいRAGインデックス方式である。 SiReRAGは、3つのマルチホップデータセットの最先端インデックス手法を一貫して上回る。
  論文  参考訳（メタデータ） (2024-12-09T04:56:43Z)
• MemoRAG: Boosting Long Context Processing with Global Memory-Enhanced Retrieval Augmentation [60.04380907045708]
  Retrieval-Augmented Generation (RAG)は、この問題に対処するための有望な戦略と考えられている。 我々は,グローバルメモリ拡張検索による新しいRAGフレームワークであるMemoRAGを提案する。 MemoRAGは、様々な長期コンテキスト評価タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-09-09T13:20:31Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)

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。