論文の概要: HyperSU: Corpus-Driven Semantic-Unit Hypergraph for Retrieval-Augmented Generation
- arxiv url: http://arxiv.org/abs/2606.28351v1
- Date: Wed, 03 Jun 2026 14:59:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 15:24:37.788001
- Title: HyperSU: Corpus-Driven Semantic-Unit Hypergraph for Retrieval-Augmented Generation
- Title（参考訳）: HyperSU: Retrieval-Augmented Generationのためのコーパス駆動のSemantic-Unitハイパーグラフ
- Abstract要約: HyperSUは、意味単位のハイパーエッジとヒント誘導による双方向検索を備えた、新しいハイパーグラフベースのRAGフレームワークである。
実験によると、HyperSUは標準、グラフベース、ハイパーグラフベースのRAGベースラインよりも解の精度を一貫して改善している。
- 参考スコア（独自算出の注目度）: 5.684949359748965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent Hypergraph-based retrieval-augmented generation (HyperRAG) methods use hyperedges to connect multiple entities simultaneously, enabling more efficient multi-entity evidence organization than pairwise graph structures. However, existing HyperRAG methods often rely on LLM-generated summaries to construct hyperedges, which can introduce hallucinations while also incurring high indexing costs. In addition, during retrieval, existing methods typically rely on either one-hop neighbor expansion or PageRank diffusion. The former may miss useful multi-hop evidence, while the latter can suffer from uncontrolled propagation over excessive hub nodes, leading to semantic drift and noisy reasoning chains. To address these challenges, we propose HyperSU, a novel hypergraph-based RAG framework featuring semantic-unit hyperedges and clue-guided bidirectional retrieval. During construction, HyperSU formulates hyperedge construction as an entity-aware minimum-description-length (MDL) optimization problem, inducing source-grounded semantic-unit hyperedges that balance sentence-level semantic coherence and entity compactness. It then constructs a hypergraph by modeling each semantic unit as a hyperedge over its co-mentioned entities. During retrieval, HyperSU performs clue-guided bidirectional expansion over the semantic-unit hypergraph, enabling both multi-hop evidence discovery and answer-aware noise reduction. Experiments show that HyperSU consistently improves answer accuracy over standard, graph-based, and hypergraph-based RAG baselines, achieving up to a 14.7% relative accuracy improvement on GraphRAG-Bench, with larger gains on reasoning-intensive tasks.
- Abstract（参考訳）: 最近のハイパーグラフベースの検索拡張生成法(HyperRAG)では、ハイパーエッジを使用して複数のエンティティを同時に接続する。
しかし、既存のHyperRAG法は、しばしばLLM生成した要約を利用してハイパーエッジを構築する。
加えて、検索の際には、既存の手法は1ホップの隣り合う拡張またはページランク拡散に依存するのが一般的である。
前者は有用なマルチホップエビデンスを見逃すかもしれないが、後者は過剰なハブノード上での制御不能な伝播に悩まされ、セマンティックドリフトとノイズのある推論連鎖に繋がる。
これらの課題に対処するために,意味単位のハイパーエッジとヒント誘導による双方向検索を特徴とするハイパーグラフベースの新しいRAGフレームワークであるHyperSUを提案する。
構築中、HyperSUはハイパーエッジ構築をエンティティ対応最小記述長(MDL)最適化問題として定式化し、文レベルのセマンティックコヒーレンスとエンティティのコンパクトさをバランスさせるソースグラウンドのセマンティックユニットハイパーエッジを誘導する。
次に、各セマンティックユニットをその組み合わせたエンティティ上のハイパーエッジとしてモデル化することで、ハイパーグラフを構築する。
検索中、HyperSUはセマンティック・ユニット・ハイパーグラフ上でヒント誘導による双方向拡張を行い、マルチホップエビデンスと応答認識ノイズ低減の両方を可能にした。
実験の結果、HyperSUは標準、グラフベース、ハイパーグラフベースのRAGベースラインよりも解の精度を一貫して改善し、GraphRAG-Benchでは14.7%の相対的な精度向上を実現し、推論集約的なタスクに大きく貢献している。
関連論文リスト
- Hypergraph as Language [49.35033483821496]
大規模言語モデルのためのハイパーグラフネイティブアライメントフレームワークを提案する。
ハイパーグラフ構造の場合、既存のメソッドは複数のオブジェクトが同じ高次関係で結合されているというネイティブセマンティクスを保存するのに失敗することが多い。
また,Hyper-Alignはドメイン内およびゼロショット評価において,既存手法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2026-05-21T01:09:48Z) - HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。
Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。
ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-02-24T14:05:29Z) - BHyGNN+: Unsupervised Representation Learning for Heterophilic Hypergraphs [50.161252392272324]
異種ハイパーグラフ上での表現学習のための自己教師型学習フレームワークであるBHyGNN+を紹介する。
ハイパーグラフの強化ビューとコサイン類似性(cosine similarity)を対比することにより、我々のフレームワークは、完全に教師なしの方法で本質的な構造パターンをキャプチャする。
本研究では,ハイパーグラフの双対性を利用した自己教師型学習の有効性を検証した。
論文 参考訳（メタデータ） (2026-02-16T16:55:37Z) - HyperRAG: Reasoning N-ary Facts over Hypergraphs for Retrieval Augmented Generation [22.189132611244105]
HyperRAGは、n-aryハイパーグラフに適したRAGフレームワークである。
クエリ条件付きリレーショナルチェインを構築するため、n-ary事実に対する構造意味推論を学ぶ。
MRRでは平均2.95%、Hits@10では1.23%、全体の回答精度は最高である。
論文 参考訳（メタデータ） (2026-02-16T05:15:55Z) - HyperSearch: Prediction of New Hyperedges through Unconstrained yet Efficient Search [32.06048071728742]
ハイパーグラフが与えられた場合、ハイパーエッジ予測は、将来、欠けているか、あるいは形成される可能性が高いハイパーエッジを特定することを目的としている。
既存のアプローチは、制約付き候補集合を得るためのサンプリングと、有望なハイパーエッジを選択するためのハイパーグラフ構造に関する根拠のない仮定のいずれかに依存している。
本稿では,制約のない候補集合を効率的に評価するハイパーエッジ予測アルゴリズムHyperSearchを提案する。
論文 参考訳（メタデータ） (2025-10-20T04:55:40Z) - Directional Sheaf Hypergraph Networks: Unifying Learning on Directed and Undirected Hypergraphs [14.396507207496507]
本稿では,非対称関係の原理的処理をハイパーグラフ内で行うことで,せん断理論を統合するフレームワークである Directional Sheaf Hypergraph Networks (DSHN) を紹介する。
DSHNは2%から20%までの相対的精度向上を実現し、ハイパーグラフにおける方向性の原則的処理とシーブの表現力を組み合わせることにより、性能が大幅に向上することを示した。
論文 参考訳（メタデータ） (2025-10-06T11:46:53Z) - HyperGCT: A Dynamic Hyper-GNN-Learned Geometric Constraint for 3D Registration [60.01977041900338]
HyperGCTは、柔軟でダイナミックなHyper-GNNによる幾何学的制約である。
動的ハイパーグラフから3次元登録のための堅牢な幾何学的制約を抽出する。
3DMatch, 3DLoMatch, KITTI-LC, ETH の実験により, HyperGCT が最先端の性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-03-04T02:05:43Z) - Hyperbolic Hypergraph Neural Networks for Multi-Relational Knowledge Hypergraph Representation [19.14148664582895]
本稿では,H2GNN(Hyperbolic Hypergraph Neural Network)を提案する。
我々はH2GNNを知識ハイパーグラフに基づく15のベースラインと比較し、ノード分類とリンク予測の両タスクにおいて最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2024-12-11T12:03:33Z) - Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。
HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。
局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
論文 参考訳（メタデータ） (2023-12-18T17:50:52Z) - Augmentations in Hypergraph Contrastive Learning: Fabricated and
Generative [126.0985540285981]
我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。
我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。
拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
論文 参考訳（メタデータ） (2022-10-07T20:12:20Z) - Adaptive Neural Message Passing for Inductive Learning on Hypergraphs [21.606287447052757]
本稿では,新しいハイパーグラフ学習フレームワークHyperMSGを紹介する。
各ノードの次数集中度に関連する注意重みを学習することで、データとタスクに適応する。
堅牢で、幅広いタスクやデータセットで最先端のハイパーグラフ学習手法より優れています。
論文 参考訳（メタデータ） (2021-09-22T12:24:02Z)
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。