論文の概要: FlowRAG: Synergizing Explicit Reasoning via Frequency-Aware Multi-Granularity Graph Flow

• arxiv url: http://arxiv.org/abs/2606.17856v1
• Date: Tue, 16 Jun 2026 12:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.428533
• Title: FlowRAG: Synergizing Explicit Reasoning via Frequency-Aware Multi-Granularity Graph Flow
• Title（参考訳）: FlowRAG: 周波数対応マルチグラニュラ性グラフフローによる明示的推論の同期化
• Authors: Bihao Zhan, Zongsheng Cao, Jie Zhou, Bo Zhang, Liang He,
• Abstract要約: グラフベースの検索強化生成(GraphRAG)は知識集約型およびマルチホップクエリタスクに有効である。 textttFlowRAGはセマンティック・アウェアな検索フレームワークで、セマンティック・リコールと明示的な推論の両方を改善する。 textttFlowRAGは複雑な推論ベンチマークで最先端のパフォーマンスを得る。
• 参考スコア（独自算出の注目度）: 18.283800518966945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based retrieval-augmented generation (GraphRAG) is effective for knowledge-intensive and multi-hop query tasks; however, many existing methods primarily seed entity-based graphs and rely on implicit semantic relevance propagation. This often (i) under-retrieves when user queries are abstract and semantically sparse at the entity level, and (ii) suffers from brittle multi-hop reasoning, where noisy activations can derail entity-to-entity transitions and corrupt the inferred relation chain, yielding unreliable conclusions. To this end, we propose \texttt{FlowRAG}, a semantic-aware retrieval framework that improves both semantic recall and explicit reasoning. Specifically, \texttt{FlowRAG} constructs a quad-level heterogeneous graph over passages, summaries, sentences, and entities, where summary nodes serve as a coarse semantic hub. At retrieval time, a dual-granularity activation module combines summary--query alignment with sentence-level matching to activate relevant entities under paraphrase and abstraction robustly. We then introduce a frequency-aware weighted flow module that routes relevance through entity--passage links weighted by within-passage term frequency, pruning noisy connections and extracting high-confidence reasoning paths as an explicit logic skeleton for generation. Extensive experiments show that \texttt{FlowRAG} obtains state-of-the-art performance on complex reasoning benchmarks.
• Abstract（参考訳）: グラフベースの検索拡張生成(GraphRAG)は知識集約型およびマルチホップクエリタスクに有効であるが、既存の多くのメソッドは主にエンティティベースのグラフをシードし、暗黙的な意味的関連性伝播に依存する。 しばしば (i)エンティティレベルでユーザクエリが抽象的でセマンティックに疎結合である場合のアンダー検索 (II) 不安定なマルチホップ推論に悩まされ、ノイズの活性化はエンティティ・トゥ・エンティリティの遷移を遅らせ、推論された関係連鎖を破損させ、信頼できない結論をもたらす。 そこで本研究では,セマンティックリコールと明示的推論の両方を改善するセマンティック・アウェア・検索・フレームワークである \texttt{FlowRAG} を提案する。 特に、 \texttt{FlowRAG} は、節、要約、文、エンティティの上にクアッドレベルのヘテロジニアスグラフを構築し、サマリノードは粗いセマンティックハブとして機能する。 検索時、二重粒度活性化モジュールは、要約-クエリアライメントと文レベルのマッチングを組み合わせ、パラフレーズと抽象の下で関連エンティティを活発に活性化する。 そこで我々は,エンティティ・パス・リンクを介し,内部通過項の周波数で重み付けし,ノイズの多い接続を切断し,高信頼な推論経路を生成のための明示的な論理スケルトンとして抽出する,周波数対応重み付きフローモジュールを提案する。 拡張実験により, 複雑な推論ベンチマークにおいて, 最先端の性能が得られた。

関連論文リスト

• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• FeClustRE: Hierarchical Clustering and Semantic Tagging of App Features from User Reviews [0.0]
  FeClustREは、ハイブリッド機能抽出、階層クラスタリング、自動チューニング、セマンティックラベリングを統合したフレームワークである。 FeClustREを,クラスタリングの品質,セマンティックコヒーレンス,解釈可能性に関するAIアシスタントアプリレビューのサンプル調査と,その正しさの抽出のための公開ベンチマークで評価した。
  論文  参考訳（メタデータ） (2025-10-21T16:54:21Z)
• Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering [49.43814054718318]
  マルチホップ質問応答 (MHQA) は、正しい回答を得るために複数の経路に散在する知識を統合する必要がある。 従来の検索拡張生成法(RAG)は主に粗い粒度のテキスト意味的類似性に焦点を当てている。 本稿では,HGRAG for MHQAという新しいRAG手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T06:36:13Z)
• SlimRAG: Retrieval without Graphs via Entity-Aware Context Selection [38.200971604630524]
  SlimRAGはグラフのない検索のための軽量フレームワークである。 構造が重いコンポーネントを、シンプルで効果的なエンティティ認識メカニズムで置き換える。 実験により、SlimRAGは強い平坦線とグラフベースのベースラインよりも精度が高いことが示された。
  論文  参考訳（メタデータ） (2025-06-15T15:36:17Z)
• 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)
• Context-Aware Hierarchical Merging for Long Document Summarization [56.96619074316232]
  本論文では,階層的なマージをソース文書からコンテキストと統合する手法を提案する。 法的および物語的領域を表すデータセットの実験結果は、文脈的拡張がゼロショットと階層的な融合ベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-02-03T01:14:31Z)

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。