論文の概要: GRACE-RAG: Governed Retrieval Architecture for Canonical Evidence Synthesis, Enabling Lightweight Deployment in Closed-Domain Institutional Settings
- arxiv url: http://arxiv.org/abs/2607.00013v1
- Date: Fri, 08 May 2026 12:53:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:12.968634
- Title: GRACE-RAG: Governed Retrieval Architecture for Canonical Evidence Synthesis, Enabling Lightweight Deployment in Closed-Domain Institutional Settings
- Title（参考訳）: GRACE-RAG:正準エビデンス合成のためのGoverned Retrieval Architecture for Canonical Evidence Synthesis, Enabling Lightweight Deployment in Closed-Domain Institutional Sets
- Abstract要約: 本稿では、生成段階から構造的検索層への構造的推論を外部化する、グラフ拡張RAGアーキテクチャであるGRACE-RAGを紹介する。
実験では、完成度、深さ、予測範囲が一貫した改善を示し、中規模モデルでは全体の品質が最大20%向上した。
- 参考スコア（独自算出の注目度）: 2.084969478024457
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Retrieval-Augmented Generation (RAG) systems are widely used in institutional question answering settings where responses must be grounded in authoritative documentation (Gao et al., 2023). In entity-dense domains where relevant information is distributed across heterogeneous documents, vector-only retrieval often produces fragmented evidence and increases dependence on inference-time reasoning (Zhao et al., 2024). This paper introduces GRACE-RAG, a retrieval-governed, graph-augmented RAG architecture that externalizes structural reasoning from the generative stage to a structured retrieval layer, resolving structural ambiguity offline, enabling deployment on self-hosted lightweight models calibrated to closed-domain institutional vocabulary. Experiments across three model capacities: Mistral 24B, GPT OSS 120B, and Gemini 2.5 Flash show consistent improvements in completeness, depth, and anticipatory coverage, with overall quality gains of up to 20% under mid-scale models, indicating that retrieval architecture governs structural quality over model scale, reducing computational and latency footprint without dependence on proprietary systems.
- Abstract（参考訳）: Retrieval-Augmented Generation (RAG) システムは、権威ある文書(Gao et al , 2023)で回答を根拠にしなければならない制度的な質問応答設定で広く利用されている。
不均一な文書に関連情報が分散しているエンティティ・ディエンス領域では、ベクトルのみの検索はしばしば断片化された証拠を生成し、推論時間推論への依存を増加させる(Zhao et al , 2024)。
本稿では、生成段階から構造的検索層への構造的推論を外部化し、構造的あいまいさをオフラインに解消し、閉領域の機関語彙に調整された自己ホスト型軽量モデルへの展開を可能にする検索言語GRACE-RAGを提案する。
Mistral 24B、GPT OSS 120B、Gemini 2.5 Flashの3つのモデル能力にわたる実験では、完全性、深さ、予測範囲が一貫した改善が見られ、中規模モデルでは全体の品質が最大20%向上した。
関連論文リスト
- Agentic Designer: Progressive Multi-Agent Collaboration for Structure-Aware Interior Layout Generation [84.5255199507027]
Agentic Designerは、構造を意識した内部レイアウト生成を反復的かつ制約的に検証された決定プロセスとして定式化する、プログレッシブなフレームワークである。
提案、検証、合成、調整のモジュールステージにレイアウトを分解することで、フレームワークは3つの特殊エージェント、ジェネレータ、評価器、精錬器を協調する。
この機構は、各配置がコミットされる前に段階的に幾何的検証と補正を行い、エラーの蓄積を防止する。
論文 参考訳（メタデータ） (2026-07-23T02:46:11Z) - CORTEX: High-Quality Cross-Domain Organization of Web-Scale Corpora through Ontological Corpus Graph [54.98647797362972]
既存のコーパス構築パイプラインは、結果として得られたコーパスをフラットで未分化の文書コレクションに閉じ込める。
我々はCortexについて,フラットな文書フィルタリングから構造化知識組織へのWebスケールコーパス構築を促進させる最初のフレームワークについて紹介する。
論文 参考訳（メタデータ） (2026-06-29T11:51:00Z) - Structure-Aware RAG: Structured Retrieval Augmented Generation from Noisy Data for Conversational Agents [68.52563127206808]
SA-RAG(Structure-aware Retrieval Augmented Generation)は、テーブルを中間構造表現として使用して、コンパクトで制御可能なインターフェースを提供する。
メタデータの正規化と有効性をモデル化する品質対応のテーブルメタデータ生成フレームワークを提案する。
2つのノイズの多い実世界のデータセットの実験は、SA-RAGが既存のRAGベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2026-05-23T03:07:33Z) - DCD: Domain-Oriented Design for Controlled Retrieval-Augmented Generation [0.0]
DCD(Domain-Collection-Document)は,RAGシステムにおいて,基礎となる言語モデルを変更することなくクエリ処理を構造化・制御するためのドメイン指向設計である。
提案手法は,構造化モデル出力に基づく情報空間の階層的分解と多段階ルーティングに依存する。
本稿では、DCDアーキテクチャとワークフローを説明し、合成評価データセットにおける結果について議論し、適用されたRAGシナリオにおけるロバスト性、事実精度、回答関連性への影響を強調した。
論文 参考訳（メタデータ） (2026-04-08T20:47:51Z) - TopoChunker: Topology-Aware Agentic Document Chunking Framework [5.304983617085637]
TopoChunkerは異種文書を構造化中間表現(Structured Intermediate Representation, SIR)にマッピングするエージェントフレームワークである
構造的忠実度と計算コストのバランスをとるため、TopoChunkerはデュアルエージェントアーキテクチャを採用している。
絶対生成精度が8.0%向上し、83.26%のRecall@3を達成し、同時にトークンオーバーヘッドを23.5%削減した。
論文 参考訳（メタデータ） (2026-03-19T02:15:10Z) - Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。
複数の多様な実装設計を生成することで、線形パッチから切り離される。
NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
論文 参考訳（メタデータ） (2026-03-02T12:50:40Z) - StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。
我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。
スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
論文 参考訳（メタデータ） (2026-03-02T11:35:05Z) - From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG [8.449978933501965]
本稿では,参照資料を構造化知識グラフに整理するグラフ検索拡張生成(GraphRAG)フレームワークを提案する。
提案手法では,高忠実度グラフ構築のためのMicrosoft GraphRAGとHippoRAGニューロシンボリックアルゴリズムの2相パイプラインを用いる。
論文 参考訳（メタデータ） (2026-02-28T04:44:06Z) - Structure-R1: Dynamically Leveraging Structural Knowledge in LLM Reasoning through Reinforcement Learning [29.722512436773638]
本稿では,検索したコンテンツを推論に最適化した構造化表現に変換するフレームワークであるtextscStructure-R1を提案する。
textscStructure-R1は、7Bスケールのバックボーンモデルとの競合性能を一貫して達成していることを示す。
我々の理論的分析は,情報密度と文脈的明瞭度を向上させることによって,構造化表現が推論をいかに促進するかを示す。
論文 参考訳（メタデータ） (2025-10-16T23:19:28Z) - DO-RAG: A Domain-Specific QA Framework Using Knowledge Graph-Enhanced Retrieval-Augmented Generation [4.113142669523488]
ドメイン固有のQAシステムは、生成頻度を必要とするが、構造化専門家の知識に基づく高い事実精度を必要とする。
本稿では,マルチレベル知識グラフ構築と意味ベクトル検索を統合した,スケーラブルでカスタマイズ可能なハイブリッドQAフレームワークであるDO-RAGを提案する。
論文 参考訳（メタデータ） (2025-05-17T06:40:17Z) - Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。
RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。
批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。
AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
論文 参考訳（メタデータ） (2025-04-21T04:56:47Z) - DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure
reconstruction from extremely small data sets [110.60233593474796]
DA-VEGANは2つの中心的なイノベーションを持つモデルである。
$beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。
このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
論文 参考訳（メタデータ） (2023-02-17T08:49:09Z)
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。