論文の概要: RAGU: A Multi-Step GraphRAG Engine with a Compact Domain-Adapted LLM

• arxiv url: http://arxiv.org/abs/2607.11683v1
• Date: Mon, 13 Jul 2026 15:20:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.526467
• Title: RAGU: A Multi-Step GraphRAG Engine with a Compact Domain-Adapted LLM
• Title（参考訳）: RAGU:コンパクトなドメイン適応LLMを備えたマルチステップグラフRAGエンジン
• Abstract要約: RAGUはオープンソースのモジュール型GraphRAGエンジンで、統合からの抽出を分離する。 言語スキルに最適化された7BモデルであるMeno-Lite-0.1は、知識グラフ構築においてQwen2.5-32Bを上回っている。 RAGUはすべてのファクトイドレベルで最も完全なコンテキストを検索する。
• 参考スコア（独自算出の注目度）: 1.2647816797166167
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph retrieval-augmented generation (GraphRAG) enhances large language models with structured knowledge, yet existing systems construct knowledge graphs in a single extraction pass, producing noisy entities and brittle retrieval. RAGU, an open-source modular GraphRAG engine, addresses this by separating extraction from consolidation: entities and relations pass through two-stage typed extraction, DBSCAN-backed deduplication, LLM summarization, and Leiden community detection. A key insight motivates a compact extractor: the skills an in-pipeline LLM needs - comprehension, extraction, reasoning over context - are language skills that grow only weakly with model size, unlike factual world knowledge. Accordingly, we train Meno-Lite-0.1, a 7B model optimized for language skills, which outperforms Qwen2.5-32B on knowledge-graph construction (+12.5% relative harmonic mean) and matches it on English GraphRAG tasks. On GraphRAG-Bench (Medical), RAGU retrieves the most complete context at every factoid level (evidence recall up to 0.84 vs. $\leq$0.76) and overtakes HippoRAG2 on synthesis tasks; on multi-hop factoid QA, the apparent HippoRAG2 advantage is shown to be largely an answer-format artifact. RAGU is installable via $\texttt{pip install graph_ragu}$, runs on a single GPU, and is released under MIT. The source code is publicly available at https://github.com/RaguTeam/RAGU, and the Meno-Lite-0.1 model can be obtained from https://huggingface.co/bond005/meno-lite-0.1.
• Abstract（参考訳）: グラフ検索強化生成(GraphRAG)は構造化された知識を持つ大規模言語モデルを強化するが、既存のシステムは単一の抽出パスで知識グラフを構築し、ノイズの多いエンティティと脆い検索を生成する。 RAGUはオープンソースのモジュール型GraphRAGエンジンで、エンティティとリレーションシップが2段階の型付き抽出、DBSCANベースの重複重複、LLM要約、ライデンコミュニティ検出といった統合から抽出を分離することでこの問題に対処する。 LLMが必要とするスキル – 理解、抽出、文脈に対する推論 – は、現実の世界知識とは異なり、モデルのサイズによってのみ弱く成長する言語スキルである。 そこで,言語スキルに最適化された7BモデルであるMeno-Lite-0.1を学習し,知識グラフ構築においてQwen2.5-32Bを上回った。 GraphRAG-Bench (Medical)では、RAGUはすべてのファクトイドレベルで最も完全なコンテキストを検索し(証拠は0.84対$\leq$0.76)、合成タスクでHippoRAG2を追い越す。 RAGUは$\texttt{pip install graph_ragu}$でインストールでき、単一のGPU上で動作し、MITでリリースされている。 ソースコードはhttps://github.com/RaguTeam/RAGUで公開されており、Meno-Lite-0.1モデルはhttps://huggingface.co/bond005/meno-lite-0.1から入手できる。

関連論文リスト

• UltRAG: a Universal Simple Scalable Recipe for Knowledge Graph RAG [4.612466149994232]
  Retrieval augmented generation (RAG) は、知識コーパス内の情報を特定し、それをモデルのコンテキストウィンドウに配置することで、事実エラーを減らそうとする。 本稿では,従来のRAGから切り離された知識グラフから情報を取得するための一般的なフレームワークであるULTRAGを紹介する。 我々の実験では、ULTRAGは最先端のKG-RAGソリューションと比較して性能が向上する。
  論文  参考訳（メタデータ） (2026-01-28T14:31:29Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• 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)
• HDLxGraph: Bridging Large Language Models and HDL Repositories via HDL Graph Databases [57.51078142561683]
  大規模言語モデル(LLM)は、ハードウェア設計タスクにおいてその可能性を実証している。 しかし、実際のリポジトリレベルのHDLプロジェクトでのパフォーマンスは、数千から数万のコード行で妨げられています。 グラフ検索拡張生成(Graph RAG)とLLMを統合する新しいフレームワークであるHDLxGraphを提案する。
  論文  参考訳（メタデータ） (2025-05-21T16:14:10Z)
• GraphRAFT: Retrieval Augmented Fine-Tuning for Knowledge Graphs on Graph Databases [0.0]
  GraphRAFTは、LCMを微調整して、確実に正しいCypherクエリを生成する、検索と推論のためのフレームワークである。 本手法は,自然グラフDBに格納された知識グラフを用いて,棚から取り出すことができる最初の方法である。
  論文  参考訳（メタデータ） (2025-04-07T20:16:22Z)
• LLM as GNN: Graph Vocabulary Learning for Text-Attributed Graph Foundation Models [87.68057302738457]
  Text-Attributed Graphs (TAG) は、現実のシナリオにおいてユビキタスである。 大規模言語モデル(LLMs)とグラフニューラルネットワーク(GNNs)をTAGsに統合する努力にもかかわらず、既存のアプローチは分離されたアーキテクチャに悩まされている。 本稿では,グラフ語彙学習に基づくTAGのための汎用GFMであるPromptGFMを提案する。
  論文  参考訳（メタデータ） (2025-03-05T09:45:22Z)
• Less is More: Making Smaller Language Models Competent Subgraph Retrievers for Multi-hop KGQA [51.3033125256716]
  本研究では,小言語モデルで処理される条件生成タスクとして,サブグラフ検索タスクをモデル化する。 2億2千万のパラメータからなる基本生成部分グラフ検索モデルでは,最先端モデルと比較して競合検索性能が向上した。 LLMリーダを接続した最大の3Bモデルは、WebQSPとCWQベンチマークの両方で、SOTAのエンドツーエンドパフォーマンスを新たに設定します。
  論文  参考訳（メタデータ） (2024-10-08T15:22:36Z)
• Retrieval-Augmented Language Model for Extreme Multi-Label Knowledge Graph Link Prediction [2.6749568255705656]
  大規模言語モデル(LLM)における開放的調査のための外挿は2つの重要な問題に遭遇する。 既存の作業は、知識グラフからの情報により、より小さな言語モデルの入力を増大させることによって、この問題に対処しようとするものである。 我々は,モデルが複数の応答で外挿を行うことを可能にするために,新たなタスク,極端なマルチラベルKGリンク予測タスクを提案する。
  論文  参考訳（メタデータ） (2024-05-21T10:10:56Z)
• UniRAG: Universal Retrieval Augmentation for Large Vision Language Models [76.30799731147589]
  そこで,UniRAGというプラグイン・アンド・プレイ技術を紹介した。 Retrieval Augmentation(RA)は、主に非一般的なエンティティの生成や理解を改善するという一般的な信念とは異なり、MSCOCOデータセットの共通エンティティによる評価結果は、プロプライエタリモデルとより小さなオープンソースモデルの両方が生成品質を著しく向上させることを示している。
  論文  参考訳（メタデータ） (2024-05-16T17:58:45Z)
• LLaGA: Large Language and Graph Assistant [73.71990472543027]
  大規模言語とグラフアシスタント(LLaGA)は、グラフ構造化データの複雑さを扱う革新的なモデルである。 LLaGAは汎用性、一般化性、解釈性に優れており、異なるデータセットやタスク間で一貫して動作する。 実験の結果,LLaGAは4つのデータセットと3つのタスクに1つの単一モデルを用いて優れた性能を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-13T02:03:26Z)

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。