Fugu-MT 論文翻訳(概要): GRASP: Graph-Reasoning Aided Survey Planning for High-Fidelity Related Work Generation

論文の概要: GRASP: Graph-Reasoning Aided Survey Planning for High-Fidelity Related Work Generation

arxiv url: http://arxiv.org/abs/2607.03709v1
Date: Sat, 04 Jul 2026 05:30:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.686568
Title: GRASP: Graph-Reasoning Aided Survey Planning for High-Fidelity Related Work Generation
Title（参考訳）: GRASP:高忠実度関連作業生成のためのグラフ推論支援調査計画
Abstract要約: 本稿では,LLM計画とグラフアルゴリズムを組み合わせたグラフ推論支援調査計画(GRASP, Graph-Reasoning Aided Survey Planning)を提案する。我々の2層グラフ構造は、思考グラフとArgument-Counterargument Planning Networkで構成される。引用分析に基づく評価では, GRASPは, 対話的役割, 意図, 引用のグルーピングの観点から, 人文的対象と密に一致した関連作業区間を生成する。
参考スコア（独自算出の注目度）: 3.1561542616550518
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Writing a literature review requires a deep understanding of the relationships among cited papers: how they build on, challenge, or offer alternative perspectives to one another. We present Graph-Reasoning Aided Survey Planning (GRASP), a framework combining LLM planning for related work generation with graph algorithms to extract key relationships among cited papers. Our two-layer graph structure consists of a Graph of Thoughts and an Argument-Counterargument Planning Network, representing the cited papers at different levels of granularity, and we apply topology-aware pruning via a Steiner tree to identify the core inter-paper relationships captured in our graph. Our citation analysis-based evaluation shows that GRASP generates related work sections (RWS) that closely match human-written targets in terms of the discourse roles, intents, and grouping of citations.
Abstract（参考訳）: 文献レビューを書くには、引用された論文間の関係を深く理解する必要がある。本稿では,LLM計画とグラフアルゴリズムを組み合わせたグラフ推論支援調査計画(GRASP, Graph-Reasoning Aided Survey Planning)を提案する。筆者らの2層グラフ構造は, グラフ・オブ・シントとArgument-Counterargument Planning Networkから構成される。引用分析に基づく評価では, GRASPは, 対話的役割, 意図, 引用のグルーピングの観点から, 人文的対象と密に一致した関連作業部(RWS)を生成する。

関連論文リスト

LIT-GRAPH: Evaluating Deep vs. Shallow Graph Embeddings for High-Quality Text Recommendation in Domain-Specific Knowledge Graphs [0.4618037115403289]
LIT-GRAPH(Literature Graph for Recommendation and Pedagogical Heuristics)は、高校生の英語教師を多種多様で教育的に整合した教育文学に足場を足場として設計した、グラフベースのリコメンデーションシステムである。システムは英語文学のオントロジーに基づいて構築され,4つのグラフ埋め込みパラダイムを比較する停滞の課題に対処する。
論文参考訳（メタデータ） (2026-02-07T01:42:54Z)
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)
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)
RAG vs. GraphRAG: A Systematic Evaluation and Key Insights [53.83444096699458]
我々は,テキストベースベンチマークを用いて,検索型拡張生成(RAG)とグラフRAGを体系的に評価する。本結果は,RAGとGraphRAGの異なる課題と評価の観点から,それぞれ異なる強みを浮き彫りにしている。
論文参考訳（メタデータ） (2025-02-17T02:36:30Z)
GRAG: Graph Retrieval-Augmented Generation [14.98084919101233]
Graph Retrieval-Augmented Generation (GRAG)は、テキストサブグラフを取得する際の根本的な課題に取り組む。本稿では,線形時間で最適な部分グラフ構造を検索する新たな分割・対数戦略を提案する。グラフ推論ベンチマーク実験により, GRAG法が現在のRAG法より大幅に優れていることが示された。
論文参考訳（メタデータ） (2024-05-26T10:11:40Z)
G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
論文参考訳（メタデータ） (2024-02-12T13:13:04Z)
Modeling Structural Similarities between Documents for Coherence Assessment with Graph Convolutional Networks [17.853960157501742]
コヒーレンス(英語版)はテキスト品質の重要な側面であり、コヒーレンスモデリングに様々なアプローチが適用されている。文書間の構造的類似性を捉えることができるGCNに基づくコヒーレンスモデルについて検討する。提案手法を2つのタスクで評価し,談話コヒーレンスと自動エッセイスコアを評価する。
論文参考訳（メタデータ） (2023-06-10T16:08:47Z)
Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
論文参考訳（メタデータ） (2022-12-08T11:53:12Z)
Target-aware Abstractive Related Work Generation with Contrastive Learning [48.02845973891943]
関連作業部は学術論文の重要な構成要素であり、参考論文の文脈における対象論文の貢献を強調している。既存の作業部生成手法の多くは、既成の文章を抽出することに依存している。本稿では,新たな文からなる関連作業区間を生成できる抽象的目標認識関連作業生成装置(TAG)を提案する。
論文参考訳（メタデータ） (2022-05-26T13:20:51Z)
BASS: Boosting Abstractive Summarization with Unified Semantic Graph [49.48925904426591]
BASSは、統合されたセマンティックグラフに基づく抽象的な要約を促進するためのフレームワークである。文書表現と要約生成の両方を改善するために,グラフベースのエンコーダデコーダモデルを提案する。実験結果から,提案アーキテクチャは長期文書および複数文書要約タスクに大幅な改善をもたらすことが示された。
論文参考訳（メタデータ） (2021-05-25T16:20:48Z)

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。