論文の概要: Co-Evolving Graph and Text Memory for Training-Free Multi-Hop Question Answering

• arxiv url: http://arxiv.org/abs/2607.23278v1
• Date: Sat, 25 Jul 2026 16:29:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.047751
• Title: Co-Evolving Graph and Text Memory for Training-Free Multi-Hop Question Answering
• Title（参考訳）: 学習不要なマルチホップ質問応答のためのグラフとテキストメモリの共進化
• Abstract要約: マルチホップ質問応答には、推論ステップをまたいだ関係性およびテキスト的証拠の調整が必要である。 同期グラフテキストワーキングメモリを中心に構築されたトレーニングフリーシステムであるCo-Eを提案する。
• 参考スコア（独自算出の注目度）: 41.74112516482838
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-hop question answering requires coordinating relational and textual evidence across reasoning steps, a combination neither a text corpus nor a knowledge graph can supply alone. Prior work often emphasizes only part of this loop: graph-augmented RAG retrieves from a pre-built or query-updated graph, KGQA systems search within topic-centered subgraphs, and memory-augmented agents maintain evolving memories without continuously reconciling graph memory with textual context. We propose Co-E, a training-free system built around synchronized bidirectional graph-text working memory. A synchronization cycle consolidates textual memory, extracts relational triples into graph memory, and injects graph facts back into the generation context. Because both memories are maintained, they shape subsequent retrieval and generation. Evaluated on six multi-hop QA benchmarks, Co-E improves over comparable training-free open-backbone baselines and is competitive with larger or trained systems.
• Abstract（参考訳）: マルチホップ質問応答には、推論ステップ全体にわたる関係性およびテキスト証拠の調整が必要であり、テキストコーパスも知識グラフも単独で提供できない。 グラフ拡張RAGは、事前に構築またはクエリ更新されたグラフから取得し、KGQAシステムはトピック中心のサブグラフ内で検索し、メモリ拡張されたエージェントは、グラフメモリをテキストコンテキストで連続的に調整することなく、進化するメモリを維持する。 同期双方向グラフテキストワーキングメモリを中心に構築されたトレーニングフリーシステムであるCo-Eを提案する。 同期サイクルは、テキストメモリを統合し、リレーショナルトリプルをグラフメモリに抽出し、グラフ事実を生成コンテキストに注入する。 両方の記憶は維持されているので、後続の検索と生成を形作る。 Co-Eは6つのマルチホップQAベンチマークで評価され、トレーニングなしのオープンバックボーンベースラインよりも改善され、大規模ないしトレーニングされたシステムと競合する。

関連論文リスト

• FedV-KGQA: Multi-Hop Question Answering over Vertically Partitioned Knowledge Graphs [1.1565257196553245]
  FedV-KGQAは知識グラフに対するマルチホップ推論のためのフレームワークである。 我々は,実行時とサイロ間通信を伴わずに,適切なグラフ近傍で質問を根拠とするトピックエンティティアンカー機構を導入する。
  論文  参考訳（メタデータ） (2026-08-25T17:34:27Z)
• SAGE: A Self-Evolving Agentic Graph-Memory Engine for Structure-Aware Associative Memory [40.68349164818526]
  本稿では,グラフメモリを動的長期記憶基板としてモデル化する自己進化型エージェントグラフメモリエンジンであるSAGEを紹介する。 SAGEには2つの役割がある: 相互作用履歴から構造化されたグラフメモリを漸進的に構成するメモリライタと、検索とメモリライタへのフィードバックを提供するGraph Foundation Modelベースのメモリリーダである。
  論文  参考訳（メタデータ） (2026-05-12T12:47:43Z)
• GAAMA: Graph Augmented Associative Memory for Agents [0.0]
  GAAMAは、概念を介する階層的知識グラフを構成するグラフ拡張連想記憶システムである。 LoCoMo-10ベンチマーク(10のマルチセッション会話で1,540の質問)では、GAAMAは78.9%の平均報酬を獲得し、調整されたRAGベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-29T23:33:38Z)
• Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
  メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。 さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。 本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
  論文  参考訳（メタデータ） (2026-02-05T13:49:05Z)
• 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)
• 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)
• 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)
• 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)
• Question-Answer Sentence Graph for Joint Modeling Answer Selection [122.29142965960138]
  我々は,質問文,質問文,回答文のペア間のスコアを計算するための最先端(SOTA)モデルを訓練し,統合する。 オンライン推論は、目に見えないクエリのAS2タスクを解決するために実行される。
  論文  参考訳（メタデータ） (2022-02-16T05:59:53Z)

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。