論文の概要: SchemaRAG: Dynamic Large Schema Reduction for LLM-driven Structured Information Extraction

• arxiv url: http://arxiv.org/abs/2607.00008v1
• Date: Mon, 04 May 2026 20:55:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:12.965011
• Title: SchemaRAG: Dynamic Large Schema Reduction for LLM-driven Structured Information Extraction
• Title（参考訳）: SchemaRAG: LLM駆動型構造化情報抽出のための動的大規模スキーマ削減
• Abstract要約: 本稿では,スキーマ抽出タスクの出力空間を創出するRAG(Research-augmented Generation)フレームワークを提案する。 RAGは8.8%のマイクロF1増加、47%のレイテンシ削減、48%のトークンコスト削減を実現している。 以上の結果から,RAGはマイクロF1の8.8%,レイテンシの47%,トークンコストの48%まで向上できることがわかった。
• 参考スコア（独自算出の注目度）: 0.5427539192508947
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Extracting structured data from unstructured text using large language models (LLMs) becomes challenging when target schemas are large and complex. In such cases, including the full schema in the prompt increases cost and latency, risks lost-in-the-middle performance degradation, and can exceed context length limits. We propose SchemaRAG, a retrieval-augmented generation (RAG) framework that dynamically prunes the output schema space for schema-conditioned information extraction tasks by leveraging schema metadata and few-shot examples when available. We evaluate SchemaRAG on real-world healthcare and e-commerce datasets. Our results show that SchemaRAG can achieve up to an 8.8% increase in micro-F1, a 47% reduction in latency, and a 48% reduction in token costs, demonstrating its practicality for large-schema extraction.
• Abstract（参考訳）: 大規模言語モデル(LLM)を用いて構造化されていないテキストから構造化データを抽出することは、ターゲットスキーマが巨大かつ複雑である場合に困難になる。 このような場合、プロンプト内のフルスキーマを含むと、コストとレイテンシが増加し、中間性能が低下するリスクがあり、コンテキスト長の制限を超える可能性がある。 本稿では,スキーマメタデータを活用することで,スキーマ条件情報抽出タスクの出力スキーマ空間を動的に作成するRAGフレームワークであるSchemaRAGを提案する。 SchemaRAGを実世界の医療とeコマースのデータセットで評価する。 以上の結果から,SchemaRAGはマイクロF1の最大8.8%,レイテンシの47%,トークンコストの48%まで向上し,大規模スキーマ抽出の実用性を示した。

関連論文リスト

• Schema Matching on Graph: Iterative Graph Exploration for Efficient and Explainable Data Integration [0.0]
  大規模言語モデル(LLM)はスキーママッチングにおいて有望であるが、幻覚と最新のドメイン知識の欠如に悩まされている。 本稿では,単純な1ホップSPARQLクエリの反復実行を利用する新しいフレームワークであるSMoG(Matching on Graph)を紹介する。 実世界の医療データセットの実験結果は、SMoGが最先端のベースラインに匹敵するパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-11-25T13:13:56Z)
• DecEx-RAG: Boosting Agentic Retrieval-Augmented Generation with Decision and Execution Optimization via Process Supervision [50.89715397781075]
  Agentic Retrieval-Augmented Generation (Agentic RAG)は、複雑なタスクの処理能力を向上する。 我々は,決定と実行を取り入れたマルコフ決定プロセス(MDP)としてRAGをモデル化したDecEx-RAGを提案する。 DecEx-RAGは6つのデータセットに対して平均6.2%の絶対的なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-10-07T08:49:22Z)
• Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning [32.78218766121055]
  グラフ検索拡張生成(GraphRAG)は,複雑な推論において,大規模言語モデルを効果的に拡張した。 本稿では,フレームワーク全体を複雑な統合として結合する,垂直に統一されたエージェントパラダイムYoutu-GraphRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-27T13:13:20Z)
• AutoSchemaKG: Autonomous Knowledge Graph Construction through Dynamic Schema Induction from Web-Scale Corpora [51.77079220622184]
  完全自律的な知識グラフ構築のためのフレームワークであるAutoKGを提案する。 大規模言語モデルを利用して知識トリプルを同時に抽出し,テキストから直接包括的なスキーマを誘導する。 我々は,9億以上のノードと590億のエッジを持つ知識グラフ群であるATLAS(Automated Triple Linking And induction)を構築した。
  論文  参考訳（メタデータ） (2025-05-29T16:34:58Z)
• Adaptive Schema-aware Event Extraction with Retrieval-Augmented Generation [16.423791691552665]
  イベント抽出(EE)は自然言語処理(NLP)の基本課題であり、構造化されていないテキストからイベント情報を識別して抽出する。 既存の研究では,(1)既存のパイプラインシステムにおける厳密なスキーマ固定,(2)共同スキーママッチングと抽出のためのベンチマークの欠如という2つの重要なギャップが示されている。 本稿では,適応認識イベント抽出(ASEE)を提案する。
  論文  参考訳（メタデータ） (2025-05-13T15:47:54Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• Knowledge Graph-based Retrieval-Augmented Generation for Schema Matching [3.7548609506798485]
  本稿では,大規模言語モデル(LLM)マッチングのための知識グラフに基づく検索型生成モデルを提案する。 特に、KG-RAG4SMはベクトルベース、グラフベース、クエリベースのグラフ検索を導入している。 KG-RAG4SMは、MIMICデータセットの精度とF1スコアにおいて、最先端(SOTA)法を35.89%、30.50%で上回っている。
  論文  参考訳（メタデータ） (2025-01-15T09:32:37Z)
• TableRAG: Million-Token Table Understanding with Language Models [53.039560091592215]
  TableRAG(TableRAG)は、LMベースのテーブル理解用に特別に設計された検索拡張生成(RAG)フレームワークである。 TableRAGは、スキーマとセル検索を組み合わせたクエリ拡張を活用して、LMにそれを提供する前に重要な情報をピンポイントする。 以上の結果から,TableRAGは検索精度が向上し,大規模テーブル理解における最先端性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-10-07T04:15:02Z)
• Open-Domain Hierarchical Event Schema Induction by Incremental Prompting and Verification [81.17473088621209]
  イベントスキーマを,大規模言語モデル(LLM)から導出可能なコモンセンス知識の一形態として扱う。 複雑なイベントグラフの構築を3段階に分割するインクリメンタルなプロンプトおよび検証手法を設計する。 線形化グラフを生成するのにLLMを直接使用するのに比べ、時間関係が7.2%F1、階層関係が31.0%F1の大規模かつ複雑なスキーマを生成することができる。
  論文  参考訳（メタデータ） (2023-07-05T01:00:44Z)
• Schema-adaptable Knowledge Graph Construction [47.772335354080795]
  従来の知識グラフ構築(KGC)アプローチは、通常、事前定義されたスキーマの閉じたセットで静的情報抽出パラダイムに従う。 我々は,スキーマ適応型KGCと呼ばれる新しいタスクを提案する。このタスクは,動的に変化するスキーマグラフに基づいて,再学習せずにエンティティ,リレーション,イベントを継続的に抽出することを目的としている。
  論文  参考訳（メタデータ） (2023-05-15T15:06:20Z)

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。