論文の概要: ACE-GraphRAG: Agentic Context Engineering for Hierarchical GraphRAG
- arxiv url: http://arxiv.org/abs/2608.01269v2
- Date: Tue, 04 Aug 2026 03:31:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 13:15:27.423374
- Title: ACE-GraphRAG: Agentic Context Engineering for Hierarchical GraphRAG
- Title（参考訳）: ACE-GraphRAG:階層グラフRAGのためのエージェントコンテキストエンジニアリング
- Abstract要約: 階層グラフRAG(ACE-GraphRAG)のためのエージェントコンテキストエンジニアリングを提案する。
ACE-GraphRAGは、ギャップ認識の洗練、検索分岐、タスク条件適応に関するポリシーとしてコンテキスト構築を定式化する。
Full-ACEはタスクファミリーごとに一様に適用するが、Adaptive-ACEは個々のクエリに対してタスク固有のポリシーとトポロジー固有のポリシーを選択する。
- 参考スコア（独自算出の注目度）: 27.667736644203647
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hierarchical Graph Retrieval-Augmented Generation (GraphRAG) organizes corpus knowledge at multiple levels of granularity, yet fixed context construction may fail to translate these multi-resolution representations into a context suited to the current query. We identify this mismatch as the representation--inference gap. We propose Agentic Context Engineering for Hierarchical GraphRAG (ACE-GraphRAG), an inference-time context policy layer that supplements and adapts the initial context for generation. ACE-GraphRAG formulates context construction as a policy over gap-aware refinement, retrieval branches, and task-conditioned adaptation. Parallel Differential Retrieval acquires supplementary evidence from depth-oriented factual and breadth-oriented semantic branches. These evidence increments are consolidated with the initial context while preserving provenance and abstraction levels. Full-ACE applies the full policy uniformly within each task family, whereas Adaptive-ACE selects task- and topology-specific policies for individual queries. We evaluate ACE-GraphRAG on HotpotQA, 2WikiMultiHopQA, and four UltraDomain subsets across multi-hop QA and query-focused summarization. Full-ACE outperforms the evaluated RAG and GraphRAG baselines across both task families, while Adaptive-ACE further improves multi-hop QA and is preferred over Full-ACE on all four UltraDomain subsets. Ablation and topology analyses support treating context construction as a query- and task-dependent inference policy rather than a fixed procedure.
- Abstract（参考訳）: Hierarchical Graph Retrieval-Augmented Generation (GraphRAG)は、コーパスの知識を複数のレベルの粒度で整理するが、固定されたコンテキスト構成は、これらの多重解像度表現を現在のクエリに適したコンテキストに変換することに失敗する可能性がある。
このミスマッチを表現-推論ギャップとみなす。
本稿では,階層型GraphRAG(ACE-GraphRAG)のためのエージェントコンテキストエンジニアリングを提案する。
ACE-GraphRAGは、ギャップ認識の洗練、検索分岐、タスク条件適応に関するポリシーとしてコンテキスト構築を定式化する。
Parallel Differential Retrievalは、深さ指向の事実と幅指向のセマンティックブランチから補足的エビデンスを取得する。
これらのエビデンスインクリメントは、証明と抽象化のレベルを保持しながら、初期コンテキストと統合される。
Full-ACEはタスクファミリーごとに一様に適用するが、Adaptive-ACEは個々のクエリに対してタスク固有のポリシーとトポロジー固有のポリシーを選択する。
ACE-GraphRAGをHotpotQA,2WikiMultiHopQA,4つのUltraDomainサブセットで評価した。
Full-ACEは評価されたRAGとGraphRAGのベースラインを両タスクファミリで上回り、Adaptive-ACEはマルチホップQAをさらに改善し、4つのUltraDomainサブセットでFull-ACEよりも好ましい。
アブレーションとトポロジー分析は、コンテクスト構築を、一定の手順ではなく、クエリとタスクに依存した推論ポリシーとして扱うことを支援する。
関連論文リスト
- ORDER: Task-Conditioned Routing for Retrieval-Augmented Generation [3.6028767235872965]
本稿では,クエリにインデックス付けと検索を併用する問合せ条件付きRAGフレームワークを提案する。
我々は,大規模かつ異種な歴史的アーカイブの枠組みを評価し,クエリのインデックス付けと検索の条件付けが,根本的ベースラインと最先端RAGシステムの両方を一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2026-09-15T11:23:16Z) - Is GraphRAG Needed? From Basic RAG to Graph-/Agentic Solutions with Context Optimization [9.99981815735792]
本稿では,半構造化知識ベースを用いたRAGシナリオの評価と比較を行うフレームワークを提案する。
9つの標準化されたRAGシナリオの実装と総合的な比較実験を行う。
論文 参考訳（メタデータ） (2026-06-24T10:11:02Z) - Query-Aware Flow Diffusion for Graph-Based RAG with Retrieval Guarantees [10.806910118253976]
グラフベースのRetrieval-Augmented Generation (RAG)システムは複雑な関係を捉えるために相互接続された知識構造を利用する。
本稿では,各クエリの全体的意味論にグラフトラバーサルを動的に適用する学習自由フレームワークであるQuery-Aware Flow Diffusion RAG (QAFD-RAG)を提案する。
QAFD-RAGは、弱い信号対雑音条件下で、高い確率で関連部分グラフを復元する。
論文 参考訳（メタデータ） (2026-04-21T08:53:34Z) - Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering [75.50670592447219]
分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を共同でモデル化することによって、ノードを凝集性グループに分割する基本的な教師なしタスクである。
この調査は、3つの相補的な視点からAGCを包括的かつ工業的に基礎づけたレビューを提供する。
論文 参考訳（メタデータ） (2026-03-21T14:15:34Z) - OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。
現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。
自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
論文 参考訳（メタデータ） (2026-01-19T12:23:44Z) - A Navigational Approach for Comprehensive RAG via Traversal over Proposition Graphs [23.840376380790783]
ToPGは知識ベースを命題、実体、通過の異種グラフとしてモデル化する。
TOPGは精度と品質ベースのメトリクスの両方で強力なパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-01-08T11:50:40Z) - Domain-Specific Data Generation Framework for RAG Adaptation [58.20906914537952]
Retrieval-Augmented Generation (RAG)は、大規模言語モデルの言語理解と推論能力と外部検索を組み合わせ、ドメイン基底応答を可能にする。
本稿では,様々なRAG適応手法に合わせて,ドメイン基底型質問応答コンテキスト(QAC)トリプルを生成するフレームワークであるRAGenを提案する。
論文 参考訳（メタデータ） (2025-10-13T09:59:49Z) - 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) - TableRAG: A Retrieval Augmented Generation Framework for Heterogeneous Document Reasoning [7.706148486477738]
Retrieval-Augmented Generation (RAG) は、オープンドメイン質問応答においてかなりの効果を示した。
既存のRAGアプローチでは、異種文書に適用する場合に限界がある。
論文 参考訳（メタデータ） (2025-06-12T06:16:49Z) - 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) - 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)
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。