論文の概要: ChartWalker: Benchmarking the Cross-Chart RAG Task

• arxiv url: http://arxiv.org/abs/2606.23997v1
• Date: Mon, 22 Jun 2026 23:07:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.708494
• Title: ChartWalker: Benchmarking the Cross-Chart RAG Task
• Title（参考訳）: ChartWalker: クロスチャートRAGタスクのベンチマーク
• Authors: Ning Tang, Chenghan Xie, Hanyang Yuan, Yi Li, Renhong Huang, Qian Kou, Xiaofeng Shi, Hua Zhou, Jiarong Xu,
• Abstract要約: ChartWalkerは論理的に難易度の高いRAGタスクを構築するための新しいフレームワークである。 そこで我々は,意味論的に一貫性のあるマルチホップ推論経路を合成する構造対応サンプリングアルゴリズムを提案する。 このフレームワークで構築されたChartWalker-Benchは、さまざまなドメインとクロスチャートクエリタイプにまたがる包括的なベンチマークです。
• 参考スコア（独自算出の注目度）: 18.000660058358115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-Chart Retrieval-Augmented Generation (RAG) is critical for complex multi-modal analytical tasks in scientific, business, and political domains. However, existing benchmarks either focus on tables, which are well-structured and textualized, or generate cross-chart questions by simply extracting key points, which often induces lexical overlap between queries and evidence and yields logically inconsistent reasoning chains. To address this, we introduce ChartWalker, a novel framework for constructing challenging cross-chart RAG tasks. ChartWalker features a hierarchical knowledge graph construction method tailored to charts, which organizes entities and relations by granularity to preserve analytical structure. We then propose a structure-aware sampling algorithm that synthesizes semantically coherent, multi-hop reasoning paths, enabling explicit control over query difficulty and granularity for QA generation. Built with this framework, we release ChartWalker-Bench, a comprehensive benchmark spanning diverse domains and cross-chart query types. Extensive evaluations across major RAG paradigms reveal significant performance gaps, underscoring the benchmark's difficulty and utility. Furthermore, we provide ChartWalker-Agent, an agentic baseline to facilitate analysis and inspire future system design.
• Abstract（参考訳）: クロスチャート検索・拡張世代(RAG)は、科学、ビジネス、政治分野における複雑なマルチモーダル分析業務において重要である。 しかし、既存のベンチマークでは、よく構造化され、テキスト化されているテーブルにフォーカスするか、単にキーポイントを抽出することでクロスチャートの質問を生成し、クエリとエビデンスの間の語彙的重複を誘発し、論理的に一貫性のない推論連鎖を生じる。 この問題に対処するために、我々は、チャート横断RAGタスクを構築するための新しいフレームワークであるChartWalkerを紹介します。 ChartWalkerは、階層的な知識グラフ構築法をグラフに適合させ、分析構造を保存するためにエンティティと関係を粒度で整理する。 そこで本研究では,クエリの難易度とQA生成の粒度を明示的に制御し,セマンティック・コヒーレントなマルチホップ推論経路を合成する構造対応サンプリングアルゴリズムを提案する。 このフレームワークで構築されたChartWalker-Benchは、さまざまなドメインとクロスチャートクエリタイプにまたがる包括的なベンチマークです。 主要なRAGパラダイムにわたる広範囲な評価は、ベンチマークの難しさと実用性を裏付ける、大幅なパフォーマンスのギャップを浮き彫りにしている。 さらに我々は,分析を容易にするエージェントベースラインであるChartWalker-Agentを提供し,将来のシステム設計を刺激する。

関連論文リスト

• Use Graph When It Needs: Efficiently and Adaptively Integrating Retrieval-Augmented Generation with Graphs [12.14017207383674]
  大型言語モデル(LLM)は幻覚や古くなったパラメトリック知識のために知識集約的な課題に苦しむことが多い。 Retrieval-Augmented Generation (RAG) は外部コーパスを統合することでこの問題に対処するが、その有効性は非構造化ドメイン文書の断片化情報によって制限される。 GraphRAGは構造化知識グラフによる文脈推論を強化するために登場したが、現実のシナリオではバニラRAGをパラドックス的に過小評価している。 本稿では,構文認識複雑性解析によりRAGとGraphRAGのパラダイムを動的に統合するEA-GraphRAGを提案する。
  論文  参考訳（メタデータ） (2026-02-03T14:26:28Z)
• A Navigational Approach for Comprehensive RAG via Traversal over Proposition Graphs [23.840376380790783]
  ToPGは知識ベースを命題、実体、通過の異種グラフとしてモデル化する。 TOPGは精度と品質ベースのメトリクスの両方で強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-01-08T11:50:40Z)
• 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)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• ChartMind: A Comprehensive Benchmark for Complex Real-world Multimodal Chart Question Answering [14.468507852394923]
  チャート質問応答(CQA)は、視覚言語モデルの推論能力を評価するための重要なマルチモーダルタスクとなっている。 実環境における複雑なCQAタスク用に設計された新しいベンチマークであるChartMindを紹介する。 本稿では,重要な文脈要素の抽出に焦点をあてた文脈対応だがモデルに依存しないフレームワークであるChartLLMを提案する。
  論文  参考訳（メタデータ） (2025-05-29T08:46:03Z)
• 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)
• Graph-Based Multimodal Contrastive Learning for Chart Question Answering [11.828192162922436]
  この研究は、チャートコンポーネントとその基盤構造間の関係を明示的にモデル化する、新しいマルチモーダルシーングラフフレームワークを導入している。 このフレームワークは、視覚グラフとテキストグラフの両方を統合し、構造的特徴と意味的特徴をキャプチャする。 グラフの対照的な学習戦略は、トランスフォーマーデコーダをソフトプロンプトとしてシームレスに組み込むことができるように、モジュール間のノード表現を整列させる。
  論文  参考訳（メタデータ） (2025-01-08T06:27:07Z)

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。