論文の概要: HG-RAG: Hierarchy-Guided Retrieval-Augmented Generation for Structured Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2607.14095v1
• Date: Thu, 16 Apr 2026 01:05:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.003261
• Title: HG-RAG: Hierarchy-Guided Retrieval-Augmented Generation for Structured Knowledge Graphs
• Title（参考訳）: HG-RAG:構造化知識グラフのための階層型検索生成
• Abstract要約: HG-RAG(Hierarchy-Guided RAG)は、階層的な知識グラフ上でグラフトラバースを実行し、構造化されたコンテキストを言語モデルに提供するフレームワークである。 そこで,HG-RAGを3つの世界規模(18-800ノード)にわたる高密度検索ベースラインに対して4種類のクエリタイプで評価した。 その結果、HG-RAGは階層的、リレーショナル、マルチホップ推論タスクにおいて、フラットベースラインを一貫して上回ります。
• 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) has proven to be a widely successful process at improving the quality of outputs from a Large Language Model (LLM) for wider context. However, RAG systems typically retrieve context from flat document stores, which struggles when queries require hierarchical or relational reasoning across structured knowledge. I present HG-RAG (Hierarchy-Guided RAG), a framework that performs graph-traversal over a hierarchical knowledge graph to deliver structured context to a language model. My retrieval pipeline resolves a named entity anchor from the query, then expands context upward through parent nodes, laterally through relational neighbors, and downward through child nodes when needed. I evaluate HG-RAG against a dense retrieval baseline across three world scales (18-800 nodes) with four query types: local fact, hierarchical, neighborhood, and multi-hop. Results show HG-RAG consistently outperforms the flat baseline on hierarchical, relational, and multi-hop reasoning tasks, while reducing hallucination and maintaining locality coherence.
• Abstract（参考訳）: Retrieval Augmented Generation (RAG) は大規模言語モデル(LLM)からの出力の質を向上させるために広く成功したプロセスであることが証明されている。 しかしながら、RAGシステムは通常、フラットなドキュメントストアからコンテキストを検索するが、クエリが構造化知識全体にわたって階層的またはリレーショナルな推論を必要とする場合に苦労する。 HG-RAG(Hierarchy-Guided RAG)は階層的な知識グラフ上でグラフトラバースを行い、構造化されたコンテキストを言語モデルに提供するフレームワークである。 私の検索パイプラインは、クエリから名前付きエンティティアンカーを解決し、その後、親ノードを介して、横方向のリレーショナル隣人を通して、必要に応じて子ノードを介して、コンテキストを上向きに拡大します。 HG-RAGを3つの世界規模(18-800ノード)にわたる高密度検索ベースラインに対して,局所事実,階層,近傍,マルチホップの4種類のクエリタイプで評価した。 その結果,HG-RAGはヒエラルキー,リレーショナル,マルチホップ推論タスクにおいて,幻覚を減少させ,局所性一貫性を維持するとともに,フラットベースラインを一貫して上回っていることがわかった。

関連論文リスト

• SproutRAG: Attention-Guided Tree Search with Progressive Embeddings for Long-Document RAG [23.48941508046885]
  本稿では,注意誘導型階層型RAGフレームワークであるSproutRAGを紹介する。 文レベルのチャンクを徐々に大きく、意味的に一貫性のある単位に整理する。 どのアテンションヘッドとレイヤがセマンティックドキュメント構造を最もよく捉えているかを学ぶ。
  論文  参考訳（メタデータ） (2026-06-16T18:28:00Z)
• DA-RAG: Dynamic Attributed Community Search for Retrieval-Augmented Generation [35.30060374506784]
  この文脈における一般的な技術的アプローチは、グラフベースのRAG(G-RAG)である。 本稿では,属性付きコミュニティ検索(ACS)を利用して,問合せ質問に基づいて関連部分グラフを動的に抽出するDA-RAGを提案する。 複数のデータセット上でDA-RAGを評価し,従来のRAG法を最大40%上回る性能を示した。
  論文  参考訳（メタデータ） (2026-02-09T11:45:13Z)
• Disco-RAG: Discourse-Aware Retrieval-Augmented Generation [81.53888908988756]
  生成プロセスに談話信号を注入する談話認識フレームワークであるディスコRAGを提案する。 提案手法は,チャンク内談話木を構築し,局所階層を捕捉し,クロスパスコヒーレンスをモデル化するためのチャンク間修辞グラフを構築する。 質問応答と長期文書要約ベンチマークの実験から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-01-07T20:32:50Z)
• Query-Centric Graph Retrieval Augmented Generation [15.423162448800134]
  QCG-RAGはクエリ中心のグラフRAGフレームワークで、クエリ粒度インデックスとマルチホップチャンク検索を可能にする。 LiHuaWorldとMultiHop-RAGの実験では、QCG-RAGは問合せ精度において、チャンクベースおよびグラフベースのRAG法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-09-25T14:35:44Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering [49.43814054718318]
  マルチホップ質問応答 (MHQA) は、正しい回答を得るために複数の経路に散在する知識を統合する必要がある。 従来の検索拡張生成法(RAG)は主に粗い粒度のテキスト意味的類似性に焦点を当てている。 本稿では,HGRAG for MHQAという新しいRAG手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T06:36:13Z)
• LeanRAG: Knowledge-Graph-Based Generation with Semantic Aggregation and Hierarchical Retrieval [10.566901995776025]
  LeanRAGは知識集約と検索戦略を組み合わせたフレームワークです。 グラフ上のパス検索に関連するかなりのオーバーヘッドを軽減し、冗長な情報検索を最小限にする。
  論文  参考訳（メタデータ） (2025-08-14T06:47:18Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• 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)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• ArchRAG: Attributed Community-based Hierarchical Retrieval-Augmented Generation [16.204046295248546]
  Retrieval-Augmented Generation (RAG) は、外部知識を大規模言語モデルに統合するのに有効であることが証明されている。 我々は、Attributed Community-based Hierarchical RAG (ArchRAG)と呼ばれる新しいグラフベースのRAGアプローチを導入する。 属性付きコミュニティのための新しい階層型インデックス構造を構築し,効果的なオンライン検索手法を開発した。
  論文  参考訳（メタデータ） (2025-02-14T03:28:36Z)

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。