論文の概要: FAIR GraphRAG: A Retrieval-Augmented Generation Approach for Semantic Data Analysis

• arxiv url: http://arxiv.org/abs/2607.11464v1
• Date: Mon, 13 Jul 2026 12:15:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.460302
• Title: FAIR GraphRAG: A Retrieval-Augmented Generation Approach for Semantic Data Analysis
• Title（参考訳）: FAIR GraphRAG: セマンティックデータ分析のための検索拡張生成手法
• Authors: Marlena Flüh, Soo-Yon Kim, Carolin Victoria Schneider, Sandra Geisler,
• Abstract要約: GraphRAGのようなグラフベースのRAGアプローチは、知識グラフ内の意味関係をキャプチャすることで、検索を強化する。 本稿では、FAIRデジタルオブジェクト(FDO)をグラフベースの検索システムの基本単位として統合する新しいフレームワークであるFAIR GraphRAGを紹介する。 FAIR GraphRAGを消化器科のバイオメディカルデータセットに適用し、RNAシークエンシングデータに適用可能であることを示す。
• 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 (RAG) addresses the limitations of Large Language Models (LLMs) when providing responses to domain-specific questions. Graph-based RAG approaches, such as GraphRAG, enhance retrieval by capturing semantic relationships within knowledge graphs (KGs). While the FAIR principles (Findability, Accessibility, Interoperability, and Reusability) are becoming prevalent for scientific data management, especially in complex domains such as medicine, existing RAG approaches lack a structured FAIRification of the underlying knowledge resources. This lack limits their potential for FAIR information retrieval in these domains. To address this gap, we introduce FAIR GraphRAG, a novel framework that integrates FAIR Digital Objects (FDOs) as the fundamental units of a graph-based retrieval system. Each graph node represents an FDO that incorporates core data, metadata, persistent identifiers, and semantic links. We leverage LLMs to support schema construction and automated extraction of content and metadata from data sources. The framework was co-designed by physicians and computer scientists to ensure technical and clinical relevance. We apply FAIR GraphRAG to a biomedical dataset in gastroenterology, demonstrating its applicability to RNA-sequencing data. Beyond ensuring adherence to the FAIR principles, FAIR GraphRAG significantly improves question answering accuracy, coverage, and explainability, particularly for complex queries involving metadata and ontology links. This work shows the feasibility of combining FAIR data practices with graph-based retrieval techniques. We see potential for applying our approach to other specialized fields such as education and business.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG)は、ドメイン固有の質問に対する応答を提供する際に、Large Language Models (LLM)の制限に対処する。 GraphRAGのようなグラフベースのRAGアプローチは、知識グラフ(KG)内の意味関係をキャプチャすることで、検索を強化する。 FAIRの原則(適合性、アクセシビリティ、相互運用性、再利用性)は、特に医学のような複雑な分野において科学データ管理において一般的になっているが、既存のRAGアプローチは基礎となる知識資源の構造的なFAIR化を欠いている。 これにより、これらのドメインにおけるFAIR情報検索の可能性は制限される。 このギャップに対処するために、グラフベースの検索システムの基本単位としてFAIRデジタルオブジェクト(FDO)を統合する新しいフレームワークであるFAIR GraphRAGを紹介する。 各グラフノードは、コアデータ、メタデータ、永続的な識別子、セマンティックリンクを含むFDOを表す。 LLMを活用してスキーマの構築と,データソースからのコンテンツやメタデータの自動抽出を支援する。 このフレームワークは、医師とコンピュータ科学者が共同で設計し、技術的および臨床的関連性を確保した。 FAIR GraphRAGを消化器科のバイオメディカルデータセットに適用し、RNAシークエンシングデータに適用可能であることを示す。 FAIR原則の遵守の保証に加えて、FAIR GraphRAGは、特にメタデータやオントロジーリンクを含む複雑なクエリに対して、質問応答の正確性、カバレッジ、説明可能性を大幅に改善する。 この研究は、FAIRデータプラクティスとグラフベースの検索技術を組み合わせる可能性を示している。 我々は、我々のアプローチを教育やビジネスといった他の専門分野に適用する可能性があると考えている。

関連論文リスト

• GraphSteal: Structural Knowledge Stealing from Graph RAG via Traversal Reconstruction [6.594828844069489]
  Graph RAGは知識グラフを検索パイプラインに統合し、構造化知識に符号化されたエンティティ、リレーション、マルチホップ依存関係へのアクセスを可能にする。 グラフRAGシステムを構造オラクルに変換できることを実証する。 本研究では,局所的およびグローバル的視点から対象グラフを復元する構造指向再構築フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-27T15:50:14Z)
• 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)
• G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
  大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。 最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T04:38:12Z)
• 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)
• Retrieval-Augmented Generation with Graphs (GraphRAG) [84.29507404866257]
  Retrieval-augmented Generation (RAG) は、追加情報を取得することによって下流タスクの実行を向上させる強力な技術である。 グラフは、その固有の「エッジで接続されたノード」の性質により、巨大な異種情報と関係情報を符号化する。 従来のRAGとは異なり、多種多様な形式とドメイン固有の関係知識のようなグラフ構造化データのユニークさは、異なるドメインでGraphRAGを設計する際、ユニークで重要な課題を生じさせる。
  論文  参考訳（メタデータ） (2024-12-31T06:59:35Z)
• Graph Retrieval-Augmented Generation: A Survey [28.979898837538958]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の課題に再トレーニングを必要とせずに対処することに成功した。 本稿では,GraphRAGの方法論について概観する。 Graph-Based Indexing、Graph-Guided Retrieval、Graph-Enhanced Generationを含むGraphRAGワークフローを形式化する。
  論文  参考訳（メタデータ） (2024-08-15T12:20:24Z)

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。