論文の概要: VizRAG: Enhancing Retrieval-Augmented Generation with Hypergraph Visualization
- arxiv url: http://arxiv.org/abs/2607.19830v1
- Date: Wed, 22 Jul 2026 07:09:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:37.998101
- Title: VizRAG: Enhancing Retrieval-Augmented Generation with Hypergraph Visualization
- Title（参考訳）: VizRAG:ハイパーグラフ可視化による検索拡張ジェネレーションの強化
- Abstract要約: ハイパーグラフベースのRAGシステムは、エンティティ間でn-aryの原子事実を整理することで、従来のグラフベースのアプローチを超越する。
現在のハイパーグラフベースのRAGフレームワークは、知識の検索と再構築を、一過性のテキスト中心のパラダイムに制限している。
本稿では,視覚的ハイパーグラフ構造認識を支援する最初のRAGシステムであるVizRAGを紹介する。
- 参考スコア（独自算出の注目度）: 14.76256908919193
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hypergraph-based RAG systems surpass traditional graph-based approaches by organizing complex n-ary atomic facts among entities, rather than relying solely on binary relationships. Despite the advancements in multimodal large language models (MLLMs) with enhanced visual capabilities, current hypergraph-based RAG frameworks predominantly restrict knowledge retrieval and reconstruction to a unimodal, text-centric paradigm. This limitation prevents them from fully leveraging the powerful visual perception capabilities of modern MLLMs. To address this gap, we systematically explore the integration of hypergraph awareness in RAG systems through visual cues. By incorporating visual representations of hypergraphs into the RAG pipeline, we introduce VizRAG, the first RAG system to support visual hypergraph structure awareness. Experimental results demonstrate that VizRAG significantly outperforms strong baselines, validating the promising potential of hypergraph visualization as a novel approach for RAG systems.
- Abstract（参考訳）: ハイパーグラフベースのRAGシステムは、バイナリ関係にのみ依存するのではなく、エンティティ間で複雑なn-aryの原子事実を整理することで、従来のグラフベースのアプローチを超越している。
マルチモーダルな大規模言語モデル(MLLM)の進歩と視覚能力の向上にもかかわらず、現在のハイパーグラフベースのRAGフレームワークは知識検索とテキスト中心のパラダイムへの再構築を主に制限している。
この制限により、現代のMLLMの強力な視覚知覚能力を完全に活用することができない。
このギャップに対処するために、視覚的手がかりを用いて、RAGシステムにおけるハイパーグラフ認識の統合を体系的に検討する。
ハイパーグラフの視覚表現をRAGパイプラインに組み込むことで、視覚的ハイパーグラフ構造認識をサポートする最初のRAGシステムであるVizRAGを導入する。
実験により、VizRAGは強力なベースラインを著しく上回り、RAGシステムのための新しいアプローチとしてハイパーグラフ可視化の有望な可能性を検証した。
関連論文リスト
- XGRAG: A Graph-Native Framework for Explaining KG-based Retrieval-Augmented Generation [6.700585198494598]
グラフベースのRetrieval-Augmented Generation (GraphRAG)は知識グラフ(KG)を使用して従来のRAGを拡張し、大きな言語モデル(LLM)に構造化されたセマンティックコヒーレントなコンテキストを与える。
RAGシステムの既存の説明可能性(XAI)法は、知識コンポーネント間の関係構造を通してLLM応答を解釈することに限定される。
我々は,グラフベースの摂動戦略を用いて,グラフRAGシステムに対する因果的根拠に基づく説明を生成する新しいフレームワークであるXGRAGを紹介する。
論文 参考訳（メタデータ） (2026-04-27T15:52:20Z) - MURE: Hierarchical Multi-Resolution Encoding via Vision-Language Models for Visual Document Retrieval [111.99106496142474]
Visual Document Retrieval (VDR)は、微細な視覚的詳細とグローバルな文書構造の両方をキャプチャする表現を必要とする。
既存のVDRモデルは、高解像度文書を処理する際に効率と効率のバランスをとるのに苦労する。
本稿では,X-VisEmbパラダイムを提案する。X-VisEmbパラダイムは,多分解能サンプリングと符号化から,粒度横断的特徴融合から適応的表現蒸留へと進展する。
論文 参考訳（メタデータ） (2026-03-07T15:17:22Z) - Leveraging Spreading Activation for Improved Document Retrieval in Knowledge-Graph-Based RAG Systems [0.0]
Retrieval-augmented Generation (RAG) システムは、複雑な推論タスクに必要な多段階の証拠を確実に回収し、接続するのに苦労する。
標準的なRAGフレームワークのほとんどは、検索された全ての情報を、大きなテキストコーパスの様々な信頼性と相互接続性を見越して、等しく信頼できるものとみなしている。
自動構築された知識グラフによって相互接続された文書のコーパスから情報を取得するために,拡散活性化アルゴリズムを用いた新しいRAGフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-17T19:38:35Z) - Cog-RAG: Cognitive-Inspired Dual-Hypergraph with Theme Alignment Retrieval-Augmented Generation [43.737415090081555]
本稿では,テーマ・アライン・デュアルハイパグラフRAGフレームワークを提案する。テーマ・アライン・デュアルハイパグラフ(Cog-RAG)は,テーマ・ハイパーグラフを用いて,チャンク間セマンティック構造とエンティティ・ハイパーグラフをキャプチャし,高階意味関係をモデル化する。
実験の結果,Cog-RAGは既存の最先端のベースラインアプローチを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2025-11-17T10:10:33Z) - 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) - XGraphRAG: Interactive Visual Analysis for Graph-based Retrieval-Augmented Generation [16.068460356582648]
本研究では、RAG開発者がGraphRAGの重要なリコールを特定するのに役立つ視覚分析フレームワークを提案する。
我々は,ユーザ分析プロセスを容易にするために,インタラクティブな視覚化のセットを取り入れたプロトタイプシステムであるXGraphRAGを開発した。
論文 参考訳（メタデータ） (2025-06-10T09:14:30Z) - 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) - RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。
RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。
評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
論文 参考訳（メタデータ） (2025-03-25T03:21:48Z) - ViDoRAG: Visual Document Retrieval-Augmented Generation via Dynamic Iterative Reasoning Agents [27.90338725230132]
ViDoSeekは複雑な推論を必要とする視覚的にリッチなドキュメント上でのRAGパフォーマンスを評価するために設計されたデータセットである。
視覚文書間の複雑な推論に適した新しいマルチエージェントRAGフレームワークであるViDoRAGを提案する。
特にViDoRAGは、競合するViDoSeekベンチマークで既存のメソッドを10%以上上回っている。
論文 参考訳（メタデータ） (2025-02-25T09:26:12Z) - VisRAG: Vision-based Retrieval-augmented Generation on Multi-modality Documents [66.42579289213941]
Retrieval-augmented Generation (RAG) は、大規模言語モデルが外部知識ソースを生成に活用できる効果的な手法である。
本稿では、視覚言語モデル(VLM)に基づくRAGパイプラインを確立することにより、この問題に対処するVisRAGを紹介する。
このパイプラインでは、まず文書を解析してテキストを得る代わりに、VLMを画像として直接埋め込んで、VLMの生成を強化する。
論文 参考訳（メタデータ） (2024-10-14T15:04:18Z) - Hypergraph Convolutional Networks via Equivalency between Hypergraphs
and Undirected Graphs [59.71134113268709]
本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。
本稿では,提案するフレームワークが最先端の性能を達成できることを示す。
ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
論文 参考訳（メタデータ） (2022-03-31T10:46:47Z)
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。