論文の概要: SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges

• arxiv url: http://arxiv.org/abs/2608.12129v1
• Date: Wed, 12 Aug 2026 14:49:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.617625
• Title: SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges
• Title（参考訳）: SAG: クエリ時動的ハイパーエッジを備えたSQL-Retrieval Augmented Generation
• Authors: Yuchao Wu, Junqin Li, XingCheng Liang, Yongjie Chen, Yinghao Liang, Linyuan Mo, Guanxian Li,
• Abstract要約: SAG(Retrieval Augmented Generation)は、グローバルな知識グラフを構築することなく、文書をイベントエンテントインデックスに整理する。 SAGは、ベンチマーク毎に最高の検索とエンドツーエンドのQAパフォーマンスを達成する。 この作業は、LLMエージェントが継続的に成長する組織的知識を検索し、推論することを可能にする知識基盤の道を開く。
• 参考スコア（独自算出の注目度）: 2.0521761359589914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While retrieval-augmented generation (RAG) has proven effective at giving LLMs access to external knowledge, mainstream dense-retrieval implementations remain inherently limited in handling structured constraints and multi-hop reasoning. Graph-based methods address this by constructing knowledge graphs offline, but they often fragment semantics, incur high maintenance, and complicate incremental updates. We propose SAG (SQL-Retrieval Augmented Generation), a structured retrieval architecture that organizes documents into an event-entity index without building a global knowledge graph. SAG represents each chunk as a semantically complete event paired with its entities, forming a latent hyperedge that preserves n-ary relations without decomposing them into triples. At query time, SAG treats shared entities as join keys to connect related chunks. This dynamically yields a query-scoped neighborhood of events, and yet every piece of evidence remains the original chunk throughout. Experiments on HotpotQA, 2WikiMultiHopQA, and MuSiQue show that SAG achieves the best retrieval and end-to-end QA performance on every benchmark, with gains that widen as reasoning-chain complexity increases. On MuSiQue, where multi-hop evidence chaining is most demanding, SAG reaches 80.36% Recall@5, outperforming the strongest baseline by 11.52 points. This work paves the way for knowledge infrastructure that enables LLM agents to retrieve and reason over continually growing organizational knowledge.
• Abstract（参考訳）: 検索強化世代(RAG)は、LLMが外部知識にアクセスできるようにするのに有効であることが証明されているが、主流の高密度検索の実装は、構造的制約やマルチホップ推論を扱う場合に本質的に制限されている。 グラフベースのメソッドは、ナレッジグラフをオフラインで構築することでこの問題に対処するが、多くの場合、セマンティクスを断片化し、高いメンテナンスを行い、インクリメンタルアップデートを複雑化する。 SAG(SQL-Retrieval Augmented Generation, SQL-Retrieval Augmented Generation, SQL-Retrieval Augmented Generation)を提案する。 SAGは各チャンクを、そのエンティティと組み合わせた意味的に完備なイベントとして表現し、n-ary関係を三重に分解することなく保存する潜在ハイパーエッジを形成する。 クエリ時に、SAGは共有エンティティを結合キーとして扱い、関連するチャンクを接続する。 これは動的にクエリースコープによるイベントの近傍を生成するが、すべての証拠が元の部分のままである。 HotpotQA, 2WikiMultiHopQA, MuSiQueの実験は、SAGがすべてのベンチマークで最高の検索とエンドツーエンドのQAパフォーマンスを達成し、推論チェーンの複雑さが増大するにつれて、その利益が拡大していることを示している。 マルチホップエビデンス・チェーンが最も要求される MuSiQue では,SAG が 80.36% の Recall@5 に達し,11.52 ポイントで最強のベースラインを達成している。 この作業は、LLMエージェントが継続的に成長する組織的知識を検索し、推論することを可能にする知識基盤の道を開く。

関連論文リスト

• SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges [2.0521761359589914]
  本稿では,検索およびエージェントシステムのための構造化アーキテクチャであるSAG(Retrieval Augmented Generation)を紹介する。 グローバルな静的グラフを事前に構築する代わりに、SAGは各チャンクをセマンティックに完全なイベントとインデックスエンティティのセットに変換する。 SAGはまた、数億のデータ項目のプロダクションスケールでデプロイされており、オンライン検索のレイテンシは数秒以内である。
  論文  参考訳（メタデータ） (2026-06-14T18:52:26Z)
• HG-RAG: Hierarchy-Guided Retrieval-Augmented Generation for Structured Knowledge Graphs [0.0]
  HG-RAG(Hierarchy-Guided RAG)は、階層的な知識グラフ上でグラフトラバースを実行し、構造化されたコンテキストを言語モデルに提供するフレームワークである。 そこで,HG-RAGを3つの世界規模(18-800ノード)にわたる高密度検索ベースラインに対して4種類のクエリタイプで評価した。 その結果、HG-RAGは階層的、リレーショナル、マルチホップ推論タスクにおいて、フラットベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-04-16T01:05:19Z)
• NaviRAG: Towards Active Knowledge Navigation for Retrieval-Augmented Generation [50.16741209529908]
  NaviRAGは、パッシブセグメント検索からアクティブな知識ナビゲーションに移行する新しいフレームワークである。 NaviRAGは従来のRAGベースラインよりも検索リコールとエンドツーエンドの応答性能を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-04-14T14:07:01Z)
• MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries [2.756584457554517]
  Map-Disambiguate-Enrich-Reduce (MDER)はコンテキスト由来の3重記述を生成し、エンティティレベルの要約と統合する。 Decompose-Resolve (DR)は、ユーザクエリを解決可能なトリプルに分解し、知識グラフに格納する。 MDERとDRはLLM駆動のQAパイプラインを形成し、スパース、不完全、複雑なリレーショナルデータに対して堅牢である。
  論文  参考訳（メタデータ） (2026-03-11T18:38:44Z)
• 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)
• BookRAG: A Hierarchical Structure-aware Index-based Approach for Retrieval-Augmented Generation on Complex Documents [11.158307125677375]
  Retrieval-Augmented Generation (RAG)は、外部の複雑なドキュメントから非常に関連性の高い情報をクエリする。 本稿では,階層構造を持つ文書を対象とした新しいRAG手法であるBookRAGを紹介する。 BookRAGは最先端のパフォーマンスを実現し、検索リコールとQA精度の両方において、ベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-12-03T03:40:49Z)
• Search-on-Graph: Iterative Informed Navigation for Large Language Model Reasoning on Knowledge Graphs [26.0585592684229]
  大規模言語モデル(LLM)は、知識集約型マルチホップ質問では信頼性が保たれていない印象的な推論能力を示している。 本稿では,LLMの反復的なグラフナビゲーションを実現するための,シンプルかつ効果的なフレームワークである検索オングラフ(SoG)を提案する。 Wikidataベンチマーク(以前のベストメソッドよりも+16%改善)とFreebaseベンチマークの一貫性のある改善は特に顕著です。
  論文  参考訳（メタデータ） (2025-10-09T21:20:16Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• 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)
• The benefits of query-based KGQA systems for complex and temporal questions in LLM era [55.20230501807337]
  大規模言語モデルは質問回答(QA)に優れていますが、マルチホップ推論や時間的質問には苦戦しています。 クエリベースの知識グラフ QA (KGQA) は、直接回答の代わりに実行可能なクエリを生成するモジュール形式の代替手段を提供する。 WikiData QAのためのマルチステージクエリベースのフレームワークについて検討し、課題のあるマルチホップと時間ベンチマークのパフォーマンスを向上させるマルチステージアプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-16T06:41:03Z)
• 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)

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。