Fugu-MT 論文翻訳(概要): Efficient Retrieval-Augmented Generation via Token Co-occurrence Graphs

論文の概要: Efficient Retrieval-Augmented Generation via Token Co-occurrence Graphs

arxiv url: http://arxiv.org/abs/2606.30093v1
Date: Mon, 29 Jun 2026 10:29:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 18:07:16.179005
Title: Efficient Retrieval-Augmented Generation via Token Co-occurrence Graphs
Title（参考訳）: Token Co-occurrence Graphsによる効率的な検索拡張生成
Abstract要約: TIGRAG(Token-induced GraphRAG)はトークン共起知識グラフに基づく効率的なグラフ拡張RAGフレームワークである。推論中に、グラフベースのセマンティック展開とニューラルリグレードを組み合わせて、マルチホップ推論のための相互接続された証拠を検索する。
参考スコア（独自算出の注目度）: 6.058906522832935
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Retrieval-Augmented Generation (RAG) mitigates hallucinations in Large Language Models (LLMs) by grounding the generation process on external knowledge. However, standard RAG approaches struggle with multi-hop reasoning. While recent graph-based RAG methods improve the retrieval of interconnected chunks, they often rely on computationally expensive and error-prone LLM-based extraction pipelines. To address these issues, we propose TIGRAG (Token-Induced GraphRAG), an efficient graph-augmented RAG framework based on a token co-occurrence Knowledge Graph. TIGRAG directly models topological relationships between tokens using sliding-window co-occurrence statistics, thus enabling scalable graph construction. During inference, it combines graph-based semantic expansion and neural reranking to retrieve interconnected evidence for multi-hop reasoning. Specifically, it introduces an iterative entity-driven retrieval strategy that progressively expands the query using bridging entities extracted from previously retrieved contexts. We evaluated TIGRAG on three widely adopted multi-hop Question Answering (QA) benchmarks. Experimental results demonstrated that our framework consistently outperforms dense retrieval and graph-based RAG methods in both retrieval and downstream QA tasks, while substantially reducing indexing time, inference latency, and prompt footprint.
Abstract（参考訳）: Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、外部知識に基づく生成プロセスに基づいて緩和する。しかし、標準的なRAGアプローチはマルチホップ推論に苦労する。近年のグラフベースのRAG法は相互接続されたチャンクの検索を改善するが、計算コストが高く、エラーを起こしやすいLSMベースの抽出パイプラインに依存することが多い。これらの問題に対処するために,トークン共起知識グラフに基づく効率的なグラフ拡張RAGフレームワークであるTIGRAG(Token-induced GraphRAG)を提案する。 TIGRAGは、スライドウインドウ共起統計を用いてトークン間のトポロジ的関係を直接モデル化し、スケーラブルなグラフ構築を可能にする。推論中に、グラフベースのセマンティック展開とニューラルリグレードを組み合わせて、マルチホップ推論のための相互接続された証拠を検索する。具体的には、以前検索されたコンテキストから抽出されたブリッジングエンティティを使用して、クエリを段階的に拡張する反復的なエンティティ駆動型検索戦略を導入する。 TIGRAGを,広く採用されている3つのマルチホップ質問応答(QA)ベンチマークで評価した。実験結果から,本フレームワークは検索時間,推論遅延,フットプリントの大幅な削減とともに,検索作業および下流QAタスクにおいてグラフベースのRAG手法を一貫して上回っていることがわかった。

関連論文リスト

Query-Aware Flow Diffusion for Graph-Based RAG with Retrieval Guarantees [10.806910118253976]
グラフベースのRetrieval-Augmented Generation (RAG)システムは複雑な関係を捉えるために相互接続された知識構造を利用する。本稿では,各クエリの全体的意味論にグラフトラバーサルを動的に適用する学習自由フレームワークであるQuery-Aware Flow Diffusion RAG (QAFD-RAG)を提案する。 QAFD-RAGは、弱い信号対雑音条件下で、高い確率で関連部分グラフを復元する。
論文参考訳（メタデータ） (2026-04-21T08:53:34Z)
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)
ProGraph-R1: Progress-aware Reinforcement Learning for Graph Retrieval Augmented Generation [37.11787010202267]
ProGraph-R1は,グラフベースの検索と多段階推論のためのプログレッシブ・エージェント・フレームワークである。 ProGraph-R1は、意味的関連性とグラフ接続性について共同で検討する構造対応のハイパーグラフ検索機構を導入している。マルチホップ質問応答ベンチマークの実験では、ProGraph-R1は既存のGraphRAG法よりも推論精度と生成品質を一貫して改善している。
論文参考訳（メタデータ） (2026-01-25T08:58:44Z)
Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
論文参考訳（メタデータ） (2026-01-23T05:41:05Z)
TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
論文参考訳（メタデータ） (2025-11-07T16:08:34Z)
GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
論文参考訳（メタデータ） (2025-09-20T02:38:00Z)
GraphRunner: A Multi-Stage Framework for Efficient and Accurate Graph-Based Retrieval [3.792463570467098]
GraphRunnerは、新しいグラフベースの検索フレームワークで、計画、検証、実行の3つの異なる段階で動作する。推論エラーを著しく低減し、実行前に幻覚を検出する。 GRBenchデータセットによる評価は、GraphRunnerが既存のアプローチ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） (2025-07-11T18:10:01Z)
Clue-RAG: Towards Accurate and Cost-Efficient Graph-based RAG via Multi-Partite Graph and Query-Driven Iterative Retrieval [15.599544326509436]
Retrieval-Augmented Generation (RAG) は、しばしばグラフ構造化データから外部情報を統合することで制限に対処する。本稿では,マルチパーティグラフインデックスとクエリ駆動反復検索戦略を導入した新しいアプローチであるClue-RAGを提案する。 3つのQAベンチマークの実験により、Clue-RAGは最先端のベースラインを著しく上回っている。
論文参考訳（メタデータ） (2025-07-11T09:36:45Z)
Inference Scaled GraphRAG: Improving Multi Hop Question Answering on Knowledge Graphs [15.036480111358369]
大きな言語モデル(LLM)は、言語理解と生成において印象的な能力を達成した。構造化コンテキストやマルチホップ情報へのアクセスが限られているため、知識集約的推論タスクではパフォーマンスが低下し続けています。 Inference-Scaled GraphRAGは、推論時間計算のスケーリングを適用してLLMベースのグラフ推論を強化する新しいフレームワークである。
論文参考訳（メタデータ） (2025-06-24T19:31:03Z)
Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文参考訳（メタデータ） (2025-06-11T12:03:52Z)
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)

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。