論文の概要: Aethel: A Reproducible Graph-Retrieval Framework for Multi-Hop Financial Diligence
- arxiv url: http://arxiv.org/abs/2607.24826v1
- Date: Mon, 20 Jul 2026 21:47:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.525622
- Title: Aethel: A Reproducible Graph-Retrieval Framework for Multi-Hop Financial Diligence
- Title（参考訳）: Aethel: マルチホップ金融ディリジェンスのための再現可能なグラフ検索フレームワーク
- Authors: Krish Sapru,
- Abstract要約: 本稿では,2部グラフ検索とコア参照対応の2部グラフ通信層を組み合わせた再現可能なフレームワークであるAethelを紹介する。
Aethelは、エンティティパスグラフとしてコーパスをモデル化し、マルチホップ金融ディリジェンスをサポートするために、明示的なリレーショナルパスを通じて関連性を伝播する。
我々は,4,123チャンクの財務開示コーパス上での検索を評価し,グラフ検索がマルチホップリコールにおける密度検索より優れていることを発見した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Secondary private equity transactions require rapid synthesis of fragmented, unstructured financial disclosures, where critical metrics and their entity anchors are distributed across disjoint documents with limited lexical overlap. We present Aethel, a reproducible framework that combines bipartite Personalized PageRank graph retrieval with a coreference-aware Bipartite Coreference Teleportation layer and an orchestrated specialist-agent architecture. Aethel models corpora as entity-passage graphs and propagates relevance through explicit relational paths to support multi-hop financial diligence. We evaluate the retrieval layer on 200-question samples from the MuSiQue and 2WikiMultiHopQA validation sets, comparing sparse lexical, dense bi-encoder, vanilla graph, and coreference-aware graph retrieval. Aethel achieves HR@5 of 100.0% on 2WikiMultiHopQA and 88.5% on MuSiQue, improving coverage over vanilla graph retrieval while trading off top-rank precision. We also evaluate retrieval over a 4,123-chunk corpus of financial disclosures and find that graph retrieval outperforms dense retrieval on multi-hop recall but does not surpass a strong BM25 baseline at open-corpus scale. The results show that graph-based retrieval offers interpretable multi-hop evidence paths and degrades more gracefully than dense retrieval as corpus size grows, while also demonstrating that its advantage depends strongly on corpus scale and entity-index quality. Code and evaluation artifacts are released for reproducibility.
- Abstract（参考訳）: 二次的プライベートエクイティ取引は、断片化された非構造的な財務開示を迅速に合成する必要がある。
Aethelは、二部構成のパーソナライズされたPageRankグラフ検索と、コア参照対応のBipartite Coreference Teleportationレイヤと、オーケストレーションされた専門家エージェントアーキテクチャを組み合わせた再現可能なフレームワークである。
Aethelは、エンティティパスグラフとしてコーパスをモデル化し、マルチホップ金融ディリジェンスをサポートするために、明示的なリレーショナルパスを通じて関連性を伝播する。
我々は, MuSiQue および 2WikiMultiHopQA 検証セットから得られた200個の探索サンプルの検索層を評価し, 疎語彙, 密度の高いバイエンコーダ, バニラグラフ, コア参照対応グラフ検索を比較した。
Aethelは2WikiMultiHopQAで100.0%、MuSiQueで88.5%のHR@5を達成した。
また,4,123チャンクの財務開示コーパス上での検索も評価し,グラフ検索はマルチホップリコールにおいて高密度検索よりも優れているが,オープンコーパススケールではBM25ベースラインを超えないことがわかった。
その結果,グラフに基づく検索は,コーパスサイズが大きくなるにつれて,解釈可能なマルチホップエビデンスパスを提供し,高密度検索よりも優雅に劣化し,コーパススケールやエンティティインデックスの品質に大きく依存することを示した。
コードと評価アーティファクトは再現性のためにリリースされている。
関連論文リスト
- Robust Multimodal Recommendation via Graph Retrieval-Enhanced Modality Completion [71.20734649881258]
実世界のマルチモーダルデータセットは、センサーの故障、アノテーションの不足、プライバシーの制約によって、しばしばモダリティの不完全性に悩まされる。
効果的な解決策の1つはモダリティ補完であり、下流タスクのためのモダリティ完全グラフを提供するために欠落した特徴を再構成する。
本稿では,これらの制限を克服するグラフ検索拡張モード補完フレームワークであるGRE-MCを提案する。
論文 参考訳（メタデータ） (2026-05-01T13:50:52Z) - $G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA [53.491241153213565]
G2$-Readerはマルチモーダルな質問応答のためのデュアルグラフシステムである。
Qwen3-VL-32B-Instructによる$G2$-Readerの平均精度は66.21%に達し、強力なベースラインとスタンドアローンのGPT-5(53.08%)を上回った。
5つのマルチモーダルドメインにわたるVisDoMBenchでは、Qwen3-VL-32B-Instructを使った$G2$-Readerが平均精度66.21%に達し、強力なベースラインとスタンドアロンのGPT-5(53.08%)を上回っている。
論文 参考訳（メタデータ） (2026-01-29T17:52:54Z) - 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) - N2N-GQA: Noise-to-Narrative for Graph-Based Table-Text Question Answering Using LLMs [0.0]
ハイブリッドテーブルテキストデータに対するマルチホップ質問応答には,大規模コーパスからの複数のエビデンス部分の検索と推論が必要である。
Standard Retrieval-Augmented Generation (RAG) パイプラインは文書をフラットなランクリストとして処理し、検索ノイズがあいまいな推論連鎖を引き起こす。
N2N-GQAは、ノイズの多い検索出力から動的エビデンスグラフを構成する、オープンドメインハイブリッドテーブルテキストQAのための最初のゼロショットフレームワークである。
論文 参考訳（メタデータ） (2026-01-10T15:55:15Z) - EcphoryRAG: Re-Imagining Knowledge-Graph RAG via Human Associative Memory [0.0]
本稿では,エンティティ中心の知識グラフRAGフレームワークであるEcphoryRAGを紹介する。
インデックス作成中、EcphoryRAGは対応するメタデータを持つコアエンティティのみを抽出し、格納する。
検索には、まずクエリからキューエンティティを抽出し、スケーラブルなマルチホップ連想検索を実行する。
論文 参考訳（メタデータ） (2025-10-10T03:07:27Z) - Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval [22.33550491040999]
RAGは、大きな言語モデルを外部の証拠に基礎を置いているが、セマンティックに遠く離れた文書で答えをまとめなければならないと、いまだに混乱している。
私たちは、StatementGraphRAGとTopicGraphRAGという2つのプラグイン・アンド・プレイレトリバーを構築します。
提案手法は,検索リコールと正当性において平均23.1%の相対的改善を達成し,有意なチャンクベースRAGよりも優れていた。
論文 参考訳（メタデータ） (2025-06-09T17:58:35Z) - Siren Federate: Bridging document, relational, and graph models for exploratory graph analysis [0.6349764856675643]
調査には、大きなヘテロジニアス知識グラフに関するインタラクティブな探索分析が必要である。
本稿では,探索グラフ解析を効率的にサポートするシステムであるSiren Federateのアーキテクチャについて論じる。
実験によると、Siren Federateはレイテンシが低く、データ量、ユーザ数、コンピューティングノード数によく対応している。
論文 参考訳（メタデータ） (2025-04-10T14:52:03Z) - Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳（メタデータ） (2024-10-13T02:22:14Z) - How Does Generative Retrieval Scale to Millions of Passages? [68.98628807288972]
各種コーパス尺度における生成的検索手法の実証的研究を行った。
我々は8.8Mパスのコーパスで数百万のパスに生成検索をスケールし、モデルサイズを最大11Bパラメータまで評価する。
生成的検索は、小さなコーパス上の最先端のデュアルエンコーダと競合するが、数百万のパスへのスケーリングは依然として重要で未解決の課題である。
論文 参考訳（メタデータ） (2023-05-19T17:33:38Z) - BASS: Boosting Abstractive Summarization with Unified Semantic Graph [49.48925904426591]
BASSは、統合されたセマンティックグラフに基づく抽象的な要約を促進するためのフレームワークである。
文書表現と要約生成の両方を改善するために,グラフベースのエンコーダデコーダモデルを提案する。
実験結果から,提案アーキテクチャは長期文書および複数文書要約タスクに大幅な改善をもたらすことが示された。
論文 参考訳（メタデータ） (2021-05-25T16:20:48Z)
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。