論文の概要: Query-Aware Spreading Activation for Multi-Hop Retrieval over Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2606.30133v1
• Date: Mon, 29 Jun 2026 11:10:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.201065
• Title: Query-Aware Spreading Activation for Multi-Hop Retrieval over Knowledge Graphs
• Title（参考訳）: 知識グラフ上でのマルチホップ検索のためのクエリ・アウェア・スプレッディング・アクティベーション
• Abstract要約: ほとんどの既存のシステムでは、問題はシードノードのみを設定する。 このアーキテクチャでは、完全なグラフをPythonメモリにロードし、様々なイテレーションで反復的なソルバを必要とする。 そこで我々は,同じクエリ認識を実現する拡散活性化法を提案する。 ステップごとに1つのセマンティックゲートで検索する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-augmented generation built on knowledge graphs (Graph RAG) outperforms flat passage retrieval on multi-hop question answering by leveraging graph structure. In most existing systems, however, the question only sets the seed nodes; the subsequent traversal becomes "query-blind", depending solely on the graph structure. The exception is QAFD-RAG, which implements query-aware traversal via a flow-diffusion solver with combined edge re-weighting. This architecture requires loading the full graph into Python memory and an iterative solver with a variable number of iterations complicating integration with the graph database. We propose a spreading-activation method that achieves the same query-aware traversal with a single per-step semantic gate: the step weight is the cosine similarity between the candidate entity's description and the question, and the number of iterations is fixed. The whole retrieval procedure - seed mapping, propagation, top-K selection and context assembly - is expressed as a single Cypher query executed in one round-trip to Neo4j; the graph never leaves the database. On MuSiQue our method matches QAFD-RAG by exact match (32.80 vs 33.50) and outperforms the strongest purely-structural baseline in our comparison, HippoRAG, by 5.3 EM and 3.4 F1; on 2WikiMultiHopQA HippoRAG and QAFD-RAG retain an advantage due to their phrase-node architectures. An ablation with the gate disabled confirms that the gate is the source of a simultaneous F1 gain of 3.6 to 7.4 points and a retrieval-latency reduction by a factor of 1.5 to 4.9.
• Abstract（参考訳）: 知識グラフ(Graph RAG)上に構築された検索拡張生成は,グラフ構造を利用した多項目質問応答におけるフラットパス検索より優れている。 しかし、既存のほとんどのシステムでは、問題はシードノードのみをセットし、その後のトラバーサルはグラフ構造にのみ依存する「クエリ・ブラインド」となる。 例外としてQAFD-RAGは、エッジ再重み付けを組み合わせたフロー拡散解決器を介してクエリ対応トラバーサルを実装している。 このアーキテクチャでは、完全なグラフをPythonメモリにロードし、グラフデータベースとの統合を複雑にする様々なイテレーションの繰り返し解決器が必要となる。 本稿では,単一ステップごとのセマンティックゲートと同一のクエリ対応トラバーサルを実現する拡散活性化手法を提案する。 検索手順全体 - シードマッピング、伝搬、トップK選択、コンテキストアセンブリ - は、1回のラウンドトリップでNeo4jに実行される単一のCypherクエリとして表現される。 MuSiQue では、QAFD-RAG を正確な一致 (32.80 vs 33.50) でマッチングし、HippoRAG を5.3 EM と3.4 F1 で比較し、QAFD-RAG は2WikiMultiHopQA HippoRAG と QAFD-RAG では、句ノードアーキテクチャによる優位性を保っている。 ゲート無効者とのアブレーションにより、ゲートが3.6〜7.4ポイントの同時F1ゲインの源であり、1.5〜4.9の係数による検索遅延低減であることを確認した。

関連論文リスト

• Hi-Q: Hierarchical Evidence-guided Query Refinement for Multi-Hop Question Answering [13.249024309069236]
  Hi-Qは階層的なクエリ改善のためのエビデンス条件付きフレームワークである。 我々は3つのマルチホップ質問回答(QA)ベンチマークでHi-Qを評価する。
  論文  参考訳（メタデータ） (2026-08-31T08:55:07Z)
• 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)
• The Reasoning Bottleneck in Graph-RAG: Structured Prompting and Context Compression for Multi-Hop QA [4.190399245544758]
  グラフRAGシステムは、文書を知識グラフにインデックス化することで、強力なマルチホップ質問応答を実現するが、強力な検索は強力な回答を保証しない。 検索された文脈では77%から91%の質問が金の答えを持っているが、精度は35%から78%に過ぎず、エラーの73%から84%が失敗の原因となっている。 i) SPARQLチェーン・オブ・シークレット・プロンプトは,質問をエンティティ・リレーショナル・コンテキストと整合したトリプル・パターンのクエリに分解し,(ii)グラフウォーク圧縮を行う。
  論文  参考訳（メタデータ） (2026-03-14T17:29:13Z)
• SAGE: Structure Aware Graph Expansion for Retrieval of Heterogeneous Data [47.930782177987446]
  不均一なコーパスに答える検索拡張された質問は、テキスト、テーブル、グラフノード間で接続されたエビデンスを必要とする。 標準レトリバーリーダーパイプラインは、独立にチャンクされたテキスト上の平坦な類似性検索を使用し、モダリティ間のマルチホップエビデンスチェーンを欠いている。 SAGE(Structure Aware Graph Expansion)フレームワークを提案する。これは、パーセンタイルベースのプルーニングとメタデータ駆動の類似性を利用して、チャンクレベルのグラフをオフラインで構築する。 暗黙的クロスモーダルコーパスと明示的スキーマグラフのエージェント検索であるSPARK(Structure Aware Planning Agent for Retrieval over Knowledge Graphs)のハイブリッド高密度スパース検索を用いて初期検索をインスタンス化する。
  論文  参考訳（メタデータ） (2026-02-18T23:57:19Z)
• 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)
• 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)
• Interpretable Question Answering with Knowledge Graphs [0.19695349076827803]
  本稿では,知識グラフ検索のみで動作する質問応答システムを提案する。 知識グラフのクエリから取得したエンティティ関係エッジをパラフレーズ化するために、小さなパラフレーズモデルが使用される。 この研究はCRAGベンチマークでLCM-as-a-judgeを用いて評価され、71.9%と54.4%の精度が得られた。
  論文  参考訳（メタデータ） (2025-10-22T02:36:35Z)
• AutoGraph-R1: End-to-End Reinforcement Learning for Knowledge Graph Construction [60.51319139563509]
  強化学習(RL)を用いたタスクパフォーマンスのKG構築を直接最適化する最初のフレームワークであるAutoGraph-R1を紹介する。 我々は2つの新しいタスク対応報酬関数を設計し、1つは知識担体としてのグラフと、もう1つは知識指標としてのグラフを設計する。 私たちの研究は、構築とアプリケーションの間のループを閉じることが可能であることを示している。
  論文  参考訳（メタデータ） (2025-10-17T06:03:36Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• 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)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)

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。