論文の概要: MKG-RAG-Bench: Benchmarking Retrieval in Multimodal Knowledge Graph-Augmented Generation
- arxiv url: http://arxiv.org/abs/2606.26458v1
- Date: Wed, 24 Jun 2026 23:38:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.113997
- Title: MKG-RAG-Bench: Benchmarking Retrieval in Multimodal Knowledge Graph-Augmented Generation
- Title（参考訳）: MKG-RAG-Bench:マルチモーダル知識グラフ生成におけるベンチマーク検索
- Abstract要約: 我々は、MKG-RAGの検索を評価するクロスドメインベンチマークであるMKG-RAG-Benchを紹介する。
MKG-RAG-Benchは、一般ドメインと医療ドメインにまたがる2つのマルチモーダル知識グラフから構築されている。
本研究は,MKG-RAGのエンド・ツー・エンド性能において,効果的なマルチモーダル検索が依然として不可欠であることを示す。
- 参考スコア（独自算出の注目度）: 32.81707284618515
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retrieval-augmented generation (RAG) over knowledge graphs has emerged as a promising approach for grounding large language models, yet existing benchmarks largely overlook the challenges of retrieval in multimodal knowledge graph RAG (MKG-RAG). In practice, retrieval is a critical bottleneck: multimodal knowledge is heterogeneous, difficult to align across modalities, and often poorly served by retrievers designed for unstructured corpora. To address this gap, we introduce MKG-RAG-Bench, a cross-domain benchmark explicitly designed to evaluate retrieval in MKG-RAG. MKG-RAG-Bench is constructed from two multimodal knowledge graphs spanning general and medical domains, and includes carefully aligned question-answering datasets that support controlled evaluation of both retrieval and downstream generation. The benchmark is built using an LLM-based curation pipeline that filters low-utility knowledge, generates structurally grounded queries with exact supervision, and systematically covers diverse modality configurations. Through extensive experiments across representative retriever families and modality settings, we show that effective multimodal retrieval remains challenging yet crucial for end-to-end MKG-RAG performance, and that retrieval quality strongly determines generation outcomes. By isolating retrieval as a first-class evaluation target, MKG-RAG-Bench provides a principled foundation for diagnosing current limitations and advancing multimodal knowledge graph RAG systems.
- Abstract（参考訳）: 知識グラフを検索するRAG(Retrieval-augmented Generation)は,大規模言語モデルを構築する上で有望なアプローチとして現れてきたが,既存のベンチマークでは,マルチモーダル知識グラフRAG(MKG-RAG)における検索の課題を概ね見落としている。
実際には、検索は重要なボトルネックであり、多モーダル知識は不均一であり、モダリティをまたいだ整合が困難であり、しばしば非構造化コーパス用に設計されたレトリバーが役に立たない。
このギャップに対処するために、MKG-RAG-Benchというクロスドメインベンチマークを導入し、MKG-RAGの検索を評価する。
MKG-RAG-Benchは、一般ドメインと医療ドメインにまたがる2つのマルチモーダル知識グラフから構築され、検索と下流生成の両方の制御評価をサポートする、注意深く整列された質問応答データセットを含んでいる。
ベンチマークはLLMベースのキュレーションパイプラインを使用して構築され、低ユーティリティな知識をフィルタリングし、厳密な監督で構造的に基盤付けられたクエリを生成し、様々なモダリティ構成を体系的にカバーする。
代表的レトリバー群とモダリティ設定の広範な実験を通して、効率的なマルチモーダル検索は、エンド・ツー・エンドのMKG-RAGパフォーマンスにとって依然として不可欠であり、検索品質が生成結果を強く決定することを示した。
検索を第一級評価対象として分離することにより、MKG-RAG-Benchは、現在の限界の診断とマルチモーダル知識グラフRAGシステムの進歩のための原則的な基盤を提供する。
関連論文リスト
- Achieving Text-based Person Retrieval with Any Granularity [80.69427598925718]
本稿では、任意の粒度を持つテキストベースの人物検索という新しいパラダイムを紹介する。
5段階の粒度スペクトルを定式化し,高品質な多粒度アノテートデータセットであるUFine6926-MGを構築した。
次に、クロスモーダルな多重粒度アライニングおよびマッチングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-23T08:42:25Z) - Mixture-of-Experts Knowledge Graph Retrieval-Augmented Generation for Multi-Agent LLM-based Recommendation [56.36851606088493]
本稿では,知識グラフ検索拡張生成(KG-RAG)のための協調型マルチエージェントフレームワークを提案する。
MixRAGRecはMixture-of-Experts Retrieval Agentを統合し、各クエリを異なる粒度のKG検索専門家にルーティングする。
論文 参考訳（メタデータ） (2026-05-27T08:56:57Z) - MEG-RAG: Quantifying Multi-modal Evidence Grounding for Evidence Selection in RAG [29.065833225528127]
MRAG(Multimodal Retrieval-Augmented Generation)は、MLLM(Multimodal Large Language Models)の重要な制限に対処する。
得られた証拠の寄与を定量化する意味認識尺度であるMulti-modal Evidence Grounding (MEG)を提案する。
MEG-RAGはマルチモーダル・リランカを訓練し,得られた証拠を基底真実のセマンティックアンカーと整合させるフレームワークである。
論文 参考訳（メタデータ） (2026-04-27T14:51:00Z) - Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。
EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。
EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
論文 参考訳（メタデータ） (2025-12-23T08:14:44Z) - M$^3$KG-RAG: Multi-hop Multimodal Knowledge Graph-enhanced Retrieval-Augmented Generation [20.170643730917963]
M$3$KG-RAGはマルチホップマルチモーダル知識グラフ強化RAGである。
MMKGからクエリアラインな音声視覚知識を検索する。
推論の深さを改善し、MLLMの忠実さに答える。
論文 参考訳（メタデータ） (2025-12-23T07:54:03Z) - mKG-RAG: Multimodal Knowledge Graph-Enhanced RAG for Visual Question Answering [29.5761347590239]
Retrieval-Augmented Generation (RAG) はマルチモーダル大言語モデル(MLLM)の内部知識を拡張するために提案されている。
本稿では,知識集約型VQAタスクのためのマルチモーダルKGに基づく,新しいマルチモーダル知識拡張生成フレームワーク(mKG-RAG)を提案する。
論文 参考訳（メタデータ） (2025-08-07T12:22:50Z) - 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) - DO-RAG: A Domain-Specific QA Framework Using Knowledge Graph-Enhanced Retrieval-Augmented Generation [4.113142669523488]
ドメイン固有のQAシステムは、生成頻度を必要とするが、構造化専門家の知識に基づく高い事実精度を必要とする。
本稿では,マルチレベル知識グラフ構築と意味ベクトル検索を統合した,スケーラブルでカスタマイズ可能なハイブリッドQAフレームワークであるDO-RAGを提案する。
論文 参考訳（メタデータ） (2025-05-17T06:40:17Z) - UniversalRAG: Retrieval-Augmented Generation over Corpora of Diverse Modalities and Granularities [53.76854299076118]
UniversalRAGは異種情報源からの知識を多様さと粒度で検索・統合するための新しいRAGフレームワークである。
本稿では,最も適切なモダリティ固有コーパスを動的に識別し,その内部でターゲット検索を行うモダリティ対応ルーティング機構を提案する。
マルチモーダル性にまたがる8つのベンチマークでUniversalRAGを検証する。
論文 参考訳（メタデータ） (2025-04-29T13:18:58Z) - HM-RAG: Hierarchical Multi-Agent Multimodal Retrieval Augmented Generation [11.53083922927901]
HM-RAGは階層型マルチエージェントマルチモーダルRAGフレームワークである。
構造化、非構造化、グラフベースのデータ間での動的知識合成のための協調知能の先駆者である。
論文 参考訳（メタデータ） (2025-04-13T06:55:33Z) - Chain-of-Retrieval Augmented Generation [91.02950964802454]
本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。
提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
論文 参考訳（メタデータ） (2025-01-24T09:12:52Z)
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。