論文の概要: Noesis: Bidirectional Graph-RAG with Adaptive Parallelism and Cross-Knowledge-Base Semantic Discovery

• arxiv url: http://arxiv.org/abs/2608.15919v1
• Date: Sun, 16 Aug 2026 20:23:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.468813
• Title: Noesis: Bidirectional Graph-RAG with Adaptive Parallelism and Cross-Knowledge-Base Semantic Discovery
• Title（参考訳）: Noesis: 適応並列性とクロス知識ベースセマンティックディスカバリを備えた双方向グラフRAG
• Abstract要約: Graph-RAGは、ドメイン固有のコーパスで大きな言語モデルを構築するための強力なパラダイムとして登場した。 既存のシステムは永続的な制約に直面している: (1) 静的な断片化、長い文書の断片化、横断的なセマンティック接続の喪失、(2) 取り込みパイプラインは適応的にスケールしない、(3) マルチドメインデプロイメントは、検索精度を希釈するモノリシックな知識ベースか、または手動のユーザルーティングを必要とする。 Noesis は,これらの制限に対処する疎結合な Graph-RAG アーキテクチャである。 (a) Graph-Feedback Context Resolver を用いた双方向グラフトラバース; (b) AIMD Con
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Retrieval-Augmented Generation over knowledge graphs (Graph-RAG) has emerged as a powerful paradigm for grounding large language models in domain-specific corpora. However, existing systems face persistent limitations: (1) static chunking fragments long documents, losing cross-section semantic connections; (2) ingestion pipelines do not scale adaptively; and (3) multi-domain deployments require either a monolithic knowledge base that dilutes retrieval precision or manual user routing. We present Noesis, a decoupled Graph-RAG architecture addressing these limitations through four algorithms: (a) Bidirectional Graph Traversal with a Graph-Feedback Context Resolver simulating human reading with degrading memory; (b) an AIMD Concurrency Controller adapted from TCP congestion control, achieving 23x speedup with zero OOM events; (c) Moesis, domain-aware selective quantization for MoE models achieving 6.3x speedup on 12 GB consumer GPUs; and (d) Mesh, cross-KB semantic routing with runtime structural discovery enabling small on-premises models to perform multi-hop cross-domain reasoning. On HotpotQA (1,000 questions), Noesis achieves 59.5 EM / 74.7 F1, surpassing GraphRAG by +27.8 EM while using a 35B on-premises model for graph construction rather than GPT-4o. Source text verification on a 193-page document confirms 90% precision on long-range causal edges inaccessible to chunk-independent extraction.
• Abstract（参考訳）: Retrieval-Augmented Generation over knowledge graphs (Graph-RAG) は、ドメイン固有のコーパスに大規模言語モデルを構築するための強力なパラダイムとして登場した。 しかし,既存のシステムでは,(1) 文書の断片化や横断的なセマンティック接続の喪失,(2) 取り込みパイプラインの適応的拡張,(3) 複数ドメインのデプロイメントには,検索精度を低下させるモノリシックな知識ベースか,あるいは手動のユーザルーティングが必要である。 Noesisは4つのアルゴリズムでこれらの制限に対処するグラフ-RAGアーキテクチャである。 (a) 劣化記憶による人間の読み出しを模擬したグラフフィードバックコンテキストリゾルバを用いた双方向グラフトラバーサル b) TCPの混雑制御に適応したAIMDコンカレンシーコントローラで,OOMイベントをゼロとする23倍の高速化を実現する。 (c)Moesis、12GBの消費者向けGPU上で6.3倍の高速化を達成するMoEモデルのドメイン認識選択量子化 (d) マルチホップのクロスドメイン推論を実行するための、小さなオンプレミスモデルを実現するための、実行時構造探索を備えた、クロスKBセマンティックルーティングである。 HotpotQA (1,000の質問)では、Noesisは59.5 EM / 74.7 F1を達成し、GPT-4oではなく35Bのオンプレミスモデルを使用してグラフRAGを+27.8 EM超えた。 193ページの文書のソーステキスト検証は、チャンク非依存抽出に到達できない長距離因果縁の精度を90%確認する。

関連論文リスト

• Graph-Conditioned Mixture of Graph Neural Network Experts for Traffic Forecasting [0.1354560757162539]
  GC-MoEは、各ノードに凍結予測専門家のパーソナライズされた組み合わせを割り当てる、グラフ条件のエキスパートフレームワークの混合である。 GC-MoEは、凍結した時間的GNNエキスパートと入力を意識した空間的にコンテキスト化されたルータを組み合わせる。
  論文  参考訳（メタデータ） (2026-05-28T19:05:18Z)
• R2G: A Multi-View Circuit Graph Benchmark Suite from RTL to GDSII [14.790942679912595]
  R2Gは5つのステージ認識ビューを情報同値で標準化するマルチビューサーキットグラフベンチマークスイートである。 R2Gは、合成、配置、ルーティングステージにまたがるエンドツーエンドのDEF-to-graphパイプラインを提供する。
  論文  参考訳（メタデータ） (2026-04-09T22:59:27Z)
• COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
  C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。 TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
  論文  参考訳（メタデータ） (2026-03-25T07:20:27Z)
• GraphFusion3D: Dynamic Graph Attention Convolution with Adaptive Cross-Modal Transformer for 3D Object Detection [1.1106255381859969]
  マルチモーダル融合と高度な特徴学習を組み合わせた統合フレームワークGraphFusion3Dを提案する。 本稿では,画像特徴を点表現に適応的に統合し,幾何学的情報と意味的情報の両方を充実させる適応型クロスモーダル変換器(ACMT)を提案する。 提案手法では,局所的な幾何学的構造とグローバルな意味的コンテキストを同時に捉えるために近傍関係をモデル化する新しいメカニズムであるグラフ推論モジュール(GRM)を導入する。
  論文  参考訳（メタデータ） (2025-12-02T18:05:02Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• 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)
• SG-Reg: Generalizable and Efficient Scene Graph Registration [23.3853919684438]
  セマンティックノードの複数モードを符号化するシーングラフネットワークを設計する。 バックエンドでは、対応に応じて変換を決定するために頑健なポーズ推定器を用いる。 提案手法は,クエリフレーム毎に52KBの通信帯域しか必要とせず,わずかに高い登録リコールを実現する。
  論文  参考訳（メタデータ） (2025-04-20T01:22:40Z)
• DeltaGNN: Graph Neural Network with Information Flow Control [5.563171090433323]
  グラフニューラルネットワーク(GNN)は、メッセージパッシングプロセスの近傍集約を通じてグラフ構造化データを処理するように設計されている。 メッセージパッシングにより、GNNは短距離空間的相互作用を理解できるだけでなく、過度なスムーシングや過度なスカッシングに悩まされる。 本稿では,線形計算オーバーヘッドを伴うオーバー・スムーシングとオーバー・スキャッシングに対処するための,emph情報フロー制御機構を提案する。 さまざまなサイズ、トポロジ、密度、ホモフィリック比のグラフを含む10の実世界のデータセットを対象に、我々のモデルをベンチマークし、優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-01-10T14:34:20Z)
• Graph Transformers for Large Graphs [57.19338459218758]
  この研究は、モデルの特徴と重要な設計制約を識別することに焦点を当てた、単一の大規模グラフでの表現学習を前進させる。 この研究の重要な革新は、局所的な注意機構と組み合わされた高速な近傍サンプリング技術の作成である。 ogbn-products と snap-patents の3倍の高速化と16.8%の性能向上を報告し、ogbn-100M で LargeGT を5.9% の性能改善で拡張した。
  論文  参考訳（メタデータ） (2023-12-18T11:19:23Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)

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。