論文の概要: HVM-GraphRAG: Holistic-View Multimodal Graph Retrieval-Augmented Generation on Complex Document

• arxiv url: http://arxiv.org/abs/2607.24861v1
• Date: Sun, 26 Jul 2026 12:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.558609
• Title: HVM-GraphRAG: Holistic-View Multimodal Graph Retrieval-Augmented Generation on Complex Document
• Title（参考訳）: HVM-GraphRAG: 複合ドキュメントのホロスティックビューマルチモーダルグラフ検索拡張生成
• Abstract要約: マルチモーダルグラフRAGは、ドキュメントエビデンスをグラフ構造で整理することで、有望な方向を提供する。 HVM-GraphRAGは、グラフ構築をガイドするために全体的なビューを使用し、ノイズと競合するグラフ更新を減らす。 3つのデータセットの実験から、HVM-GraphRAGは、ほとんどの評価済み設定において、最高の回答性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 36.46869470798395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Question answering (QA) over complex documents requires models to retrieve and integrate evidence distributed across distant document regions and modalities. Multimodal GraphRAG provides a promising direction by organizing document evidence with graph structures. However, existing methods often suffer from unreliable cross-modal evidence indexing and expensive graph traversal. To address these issues, we propose HVM-GraphRAG, a holistic-view multimodal GraphRAG framework on complex document. HVM-GraphRAG uses a holistic view to guide graph construction, thereby reducing noisy and conflicting graph updates and building reliable indices between concept-level graph nodes and supporting multimodal chunks. During retrieval, HVM-GraphRAG searches over a compact concept-level graph and directly accesses supporting evidence through the constructed index, avoiding costly traversal over dense entity-level graphs. After obtaining the retrieved evidence, HVM-GraphRAG further reorganizes chunks into modality-specific groups, enabling the answering model to better integrate heterogeneous evidence. Experiments on three datasets show that HVM-GraphRAG achieves the best answer performance in most evaluated settings while substantially improving online retrieval efficiency over representative graph-based baselines.
• Abstract（参考訳）: 複雑な文書に対する質問応答(QA)は、遠く離れた文書領域やモダリティに分散した証拠を検索し、統合するモデルを必要とする。 マルチモーダルグラフRAGは、ドキュメントエビデンスをグラフ構造で整理することで、有望な方向を提供する。 しかし、既存の手法は信頼性の低いクロスモーダルなエビデンスや高価なグラフトラバーサルに悩まされることが多い。 これらの問題に対処するため,HVM-GraphRAGを提案する。 HVM-GraphRAGは、グラフ構築をガイドする全体像を使用して、ノイズと競合するグラフ更新を低減し、概念レベルグラフノード間の信頼性の高いインデックスを構築し、マルチモーダルチャンクをサポートする。 検索中、HVM-GraphRAGは、コンパクトな概念レベルグラフを探索し、構築されたインデックスを通じて支援エビデンスに直接アクセスする。 得られたエビデンスを得た後、HVM-GraphRAGはチャンクをさらにモダリティ固有のグループに再編成し、解答モデルが不均一なエビデンスをよりよく統合することを可能にする。 3つのデータセットの実験により、HVM-GraphRAGは、代表グラフベースのベースラインよりもオンライン検索効率を大幅に改善しつつ、ほとんどの評価済み設定において、最高の回答性能を達成することが示された。

関連論文リスト

• MemGraphRAG: Memory-based Multi-Agent System for Graph Retrieval-Augmented Generation [30.464508917946855]
  グラフベースのRAG(GraphRAG)は、構造的関係を捉えるために知識グラフを組み込んでいる。 既存のGraphRAG法は、グラフ構築のための分離されたフラグメントレベルの抽出に依存している。 本稿では,メモリベースのマルチエージェントシステムを導入し,高品質なグラフ構築を実現する新しいフレームワークであるMemGraphRAGを提案する。
  論文  参考訳（メタデータ） (2026-05-30T08:18:53Z)
• 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)
• 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)
• GraphSearch: An Agentic Deep Searching Workflow for Graph Retrieval-Augmented Generation [35.65907480060404]
  textscGraphSearchは、GraphRAGの二重チャネル検索を備えた新しいエージェントディープ検索ワークフローである。 textscGraphSearchは、従来の戦略よりも解答精度と生成品質を一貫して改善する。
  論文  参考訳（メタデータ） (2025-09-26T07:45:56Z)
• 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)
• CG-RAG: Research Question Answering by Citation Graph Retrieval-Augmented LLMs [9.718354494802002]
  CG-RAG(Contextualized Graph Retrieval-Augmented Generation)は、グラフ構造に疎密な検索信号を統合する新しいフレームワークである。 まず、引用グラフの文脈グラフ表現を提案し、文書内および文書間の明示的および暗黙的な接続を効果的にキャプチャする。 次にLexical-Semantic Graph Retrieval(LeSeGR)を提案する。 第3に,検索したグラフ構造化情報を利用した文脈認識生成手法を提案する。
  論文  参考訳（メタデータ） (2025-01-25T04:18:08Z)
• 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)
• Variational Graph Generator for Multi-View Graph Clustering [51.89092260088973]
  マルチビューグラフクラスタリング(VGMGC)のための変分グラフ生成器を提案する。 この生成器は、複数のグラフに対する事前仮定に基づいて、信頼性のある変分コンセンサスグラフを推論する。 推論されたビュー共通グラフとビュー固有のグラフを機能と一緒に埋め込む。
  論文  参考訳（メタデータ） (2022-10-13T13:19:51Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)

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。