論文の概要: SemFlowRAG: Directed Semantic Flow from Abstraction to Evidence for Complex Reasoning

• arxiv url: http://arxiv.org/abs/2606.28447v1
• Date: Fri, 26 Jun 2026 08:40:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.561605
• Title: SemFlowRAG: Directed Semantic Flow from Abstraction to Evidence for Complex Reasoning
• Title（参考訳）: SemFlowRAG:複雑な推論のための抽象からエビデンスへの直接的セマンティックフロー
• Abstract要約: SemFlowRAGは、フラットな検索空間をコーパス適応的な勾配セマンティックグラフに再構成するフレームワークである。 エンティティのセマンティックな抽象性を、関連するパスの埋め込み分散によって定量化することにより、静的な非方向エッジを有向的なセマンティック制約に変換する。 本研究では,SemFlowRAGがブラックホールの確率問題を効果的に軽減し,検索性能と下流推論性能の両方において既存のベースラインを上回っていることを示す。
• 参考スコア（独自算出の注目度）: 15.817479351881062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) enhanced by Knowledge Graphs has shown promise in complex multi-hop reasoning tasks. However, existing graph-based retrieval methods typically rely on flat, undirected topologies. During the retrieval process, the probability flow often gets trapped in high-degree abstract concept nodes which we define as ``probability black holes'', leading to semantic drift and noise accumulation. To address this, we propose SemFlowRAG, a framework that reconstructs the flat retrieval space into a corpus-adaptive semantic gradient graph. This data-driven self-organization enables a hierarchical structure to emerge naturally from the data distribution, capturing the intrinsic semantic granularity of the corpus to suppress structural noise. By quantifying the semantic abstractness of entities through the embedding variance of their associated passages, we transform static undirected edges into directed semantic constraints. Furthermore, we design an abstractness-guided directed PageRank algorithm that forces the retrieval trajectory to follow a ``high-to-low semantic abstractness'' gradient. This mechanism ensures layer-by-layer evidence convergence, smoothly guiding the retrieval process from abstract concepts to specific document evidence. Extensive experiments on complex QA datasets demonstrate that SemFlowRAG effectively mitigates the ``probability black holes'' issue, outperforming existing baselines in both retrieval and downstream reasoning performance.
• Abstract（参考訳）: 知識グラフによって強化された検索拡張生成(RAG)は、複雑なマルチホップ推論タスクにおいて有望であることを示す。 しかし、既存のグラフベースの検索手法は、通常は平らで無向的なトポロジに依存している。 検索過程において、確率フローは「確率ブラックホール」と定義する高次抽象概念ノードに閉じ込められ、セマンティックドリフトとノイズ蓄積をもたらす。 そこで本研究では,フラットな検索空間をコーパス適応型セマンティックグラデーショングラフに再構成するフレームワークSemFlowRAGを提案する。 このデータ駆動型自己組織化により、階層構造がデータ分布から自然に出現し、コーパスの固有の意味的粒度を捕捉し、構造ノイズを抑制することができる。 エンティティのセマンティックな抽象性を、関連するパスの埋め込み分散によって定量化することにより、静的な非方向エッジを有向的なセマンティック制約に変換する。 さらに,探索軌道に「高階から低階のセマンティック・グラデーション」に従うよう強制する,抽象性誘導型PageRankアルゴリズムを設計する。 このメカニズムは層毎のエビデンス収束を保証し、抽象概念から特定の文書エビデンスへの検索プロセスを円滑に導く。 複雑なQAデータセットに関する大規模な実験は、SemFlowRAGが 'probability black hole'' 問題を効果的に軽減し、検索と下流推論の両方のパフォーマンスにおいて既存のベースラインを上回っていることを示している。

関連論文リスト

• DeCoRAG: Cognitive Decoupling and Semantic-Aware Cropping for Complex Document Understanding [9.340832029984703]
  DeCoRAGはマルチモーダルグラフRAGパイプラインで、知識処理を結合した視覚的意味論的推論から「認知的疎結合」へ移行する。 DeCoRAGは最強のベースラインに対して最大12.5ポイントのセマンティックパスレートを改善する。 RAP-Cropは、エンドツーエンドの精度を犠牲にすることなく、オフライングラフ構築プロンプトを40.8%削減する。
  論文  参考訳（メタデータ） (2026-07-27T15:28:02Z)
• FlowRAG: Synergizing Explicit Reasoning via Frequency-Aware Multi-Granularity Graph Flow [18.283800518966945]
  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。
  論文  参考訳（メタデータ） (2026-06-16T12:28:14Z)
• Topology-Aware State Abstraction with Tangle Cores for Markov Decision Processes [6.908972852063454]
  強化学習における状態抽象化は通常、報酬と遷移の類似性に基づいて状態の分割として定式化される。 これは、ナビゲーション、グラフ、階層的な決定問題において共通の構造パターンを除外する:ドア、ハブ、ボトルネックといったインターフェース状態は、自然に複数の領域にまたがる。 経験的遷移グラフのグラフトライアングルに基づいて,エンファングルコアの抽象化を導入する。
  論文  参考訳（メタデータ） (2026-05-29T23:29:49Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• TERGAD: Structure-Aware Text-Enhanced Representations for Graph Anomaly Detection [15.051477921035264]
  Graph Anomaly Detection (GAD) は、ノード、エッジ、サブ構造などの非定型的なグラフエンティティを、多数派から大きく逸脱することを目的としている。 既存のテキストリッチアプローチは通常、生のテキスト機能を使って構造的コンテキストをデータ表現パイプラインに統合する。 本稿では,大規模言語モデルの意味論的推論機能を通じてGADの構造的意味論を充実させる新しいデータ拡張フレームワークであるTERGADを提案する。
  論文  参考訳（メタデータ） (2026-05-19T12:09:36Z)
• ModuSeg: Decoupling Object Discovery and Semantic Retrieval for Training-Free Weakly Supervised Segmentation [8.671473711194741]
  弱教師付きセマンティックセグメンテーションは、画像レベルのラベルを用いてピクセルレベルの予測を実現することを目的としている。 我々は、オブジェクト発見と意味代入を明確に分離することに焦点を当てた、トレーニング不要な弱教師付きセマンティックセマンティックセマンティクスフレームワークであるModuSegを紹介する。
  論文  参考訳（メタデータ） (2026-04-08T12:38:07Z)
• Counterexample Guided Branching via Directional Relaxation Analysis in Complete Neural Network Verification [10.808953992870954]
  ディープニューラルネットワークは例外的な性能を示すが、敵の摂動に弱いままである。 現在のデータフローアプローチは、静的に依存するブラインドリファインメントプロセスで動作する。 本稿では,Falsification に積極的に寄与するニューロンの分岐を優先する Directional Gap を導入するフレームワーク DRG-BaB を提案する。
  論文  参考訳（メタデータ） (2026-03-16T04:57:44Z)
• 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)
• Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
  線形木探索はLarge Language Model (LLM) 研究の基盤となっている。 本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T03:29:18Z)
• 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)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
  我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。 空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。 提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-06T12:17:01Z)

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。