論文の概要: GRAFT: Graph-Distilled Generative Retrieval for Facet-Aware Scientific Literature Exploration

• arxiv url: http://arxiv.org/abs/2608.22381v1
• Date: Sun, 23 Aug 2026 12:07:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.752225
• Title: GRAFT: Graph-Distilled Generative Retrieval for Facet-Aware Scientific Literature Exploration
• Title（参考訳）: GRAFT:Facet-Aware Scientific Literature Explorationのためのグラフ拡散生成検索
• Abstract要約: 生成検索は文書識別子を直接生成する。 これら4つの面がエッジをタイプしたグラフに、論文を接続する。 11,359のNLP論文からなる構築コーパスであるLitWeaveでは、グラフ教師のRecall@20の91%を、推論時に最寄りのインデックスやエンコーダなしでリカバリしています。
• 参考スコア（独自算出の注目度）: 24.90363787327649
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Scientific papers may relate by problem, method, result, or contribution, but document-level retrievers collapse these into a single similarity score without saying why they are related. Citation- and similarity-based retrieval alone also confines search to the neighbourhood of what is already known, whereas generative retrieval generates document identifiers directly, enabling the exploratory retrieval that scientific discovery depends on. We connect papers in a graph whose edges are typed by these four facets, derived from facet items and citation signals, and distil it into a generative retriever whose identifiers are the papers' own facet text. Two graph properties do not survive naive distillation. First, because every training pair is an edge, naive enumeration indexes just 84% of the corpus. Coverage-aware distillation makes every paper learnable through a reverse-neighbour fallback, a minimum-coverage threshold, and edge-importance weighting. Second, constrained decoding guarantees that every generated identifier is a valid paper, but not that the graph connects it to the query. Graph-weighted reciprocal rank fusion scales each candidate's rank term by its query-candidate edge weight, dropping unsupported ones. On LitWeave, our constructed corpus of 11,359 NLP papers, Graft recovers 91% of its graph teacher's Recall@20 with no nearest-neighbour index or encoder at inference, and outperforms the graph teacher on query papers outside the corpus. It reproduces the graph's own facet labels at 0.922 precision, so every returned paper arrives labelled with the facet that surfaced it rather than an opaque score.
• Abstract（参考訳）: 科学的論文は、問題、方法、結果、コントリビューションによって関連付けられるが、文書レベルのレトリバーは、それらがなぜ関連しているのかを言わずに、これらを単一の類似度スコアに分解する。 一方、生成的検索は直接文書識別子を生成し、科学的発見が依存する探索的検索を可能にする。 筆者らは,これら4つのファセットがエッジをタイプしたグラフ内の論文を,ファセット項目や引用信号から導出し,識別子が論文自身のファセットテキストである生成レトリバーに分解する。 2つのグラフ特性は、単純蒸留では生き残れない。 まず、各トレーニングペアがエッジであるため、単純列挙インデックスはコーパスの84%に過ぎません。 カバーを意識した蒸留は、すべての紙を裏面のフォールバック、最小被覆閾値、エッジ重要重み付けを通じて学習できるようにする。 第二に、制約付き復号化は、生成された識別子が有効な紙であることを保証するが、グラフがクエリにそれを接続するわけではない。 Graph-weighted Reciprocal rank fusionは、各候補のランク項をクエリ候補のエッジウェイトによってスケールし、サポート対象を除外する。 LitWeaveでは、11,359のNLP論文からなるコーパスを構築、グラフ教師のRecall@20の91%を最寄りのインデックスやエンコーダなしでリカバリし、コーパス外のクエリー論文でグラフ教師より優れています。 これはグラフのファセットラベルを0.922精度で再現するので、返却されたすべての紙は不透明なスコアではなく、表面のファセットでラベル付けされる。

関連論文リスト

• Graph2Idea:Retrieval-Augmented Scientific Idea Generation with Graph-Structured Contexts [3.548612755859995]
  Graph2Ideaは、検索強化された科学的アイデア生成のための知識グラフ誘導フレームワークである。 まず、入力トピックに従って論文を検索し、構造化された知識トリプルに変換し、ターゲット中心の知識グラフを動的に構築する。 そして、ノイズの多いテキスト入力を減らしながら、目標関連リレーショナルエビデンスを保持する、コンパクトなグラフベースのコンテキストを抽出する。
  論文  参考訳（メタデータ） (2026-06-08T06:58:21Z)
• 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)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• Fine-grained Graph Rationalization [51.293401030058085]
  グラフ機械学習のための微粒なグラフ合理化(FIG)を提案する。 私たちのアイデアは、入力ノード間のリッチなインタラクションを提供するセルフアテンションメカニズムによって推進されます。 実験では,実世界の7つのデータセットを対象とし,提案したFIGは,13のベースライン手法と比較して大きな性能上の優位性を示した。
  論文  参考訳（メタデータ） (2023-12-13T02:56:26Z)
• Resurrecting Label Propagation for Graphs with Heterophily and Label Noise [40.11022005996222]
  ラベルノイズは、ディープニューラルネットワークの一般化能力を著しく低下させるため、大規模なデータセットでは一般的な課題である。 任意のヘテロフィリーの文脈におけるグラフラベルノイズについて検討し、ノイズラベルの修正とラベルの割り当てを未ラベルノードで行うことを目的とした。 R2LP$は、3つのステップからなる反復アルゴリズムである。(1) グラフを再構成してホモフィリプロパティを復元し、(2) ラベルの伝搬を利用してノイズラベルを修正し、(3) 信頼度の高いラベルを選択して次のイテレーションに保持する。
  論文  参考訳（メタデータ） (2023-10-25T11:28:26Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• An unsupervised cluster-level based method for learning node representations of heterogeneous graphs in scientific papers [16.019656763017004]
  本稿では、クラスタレベルの非教師付き科学論文ヘテロジニアスグラフノード表現学習法(UCHL)を提案する。 ヘテロジニアスグラフ表現に基づいて、不均一グラフ全体のリンク予測を行い、ノードのエッジ、すなわち論文と論文の関係を求める。
  論文  参考訳（メタデータ） (2022-03-31T02:13:39Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Heterogeneous Graph Neural Networks for Extractive Document Summarization [101.17980994606836]
  クロス文関係は、抽出文書要約における重要なステップである。 We present a graph-based neural network for extractive summarization (HeterSumGraph) 抽出文書要約のためのグラフベースニューラルネットワークに異なる種類のノードを導入する。
  論文  参考訳（メタデータ） (2020-04-26T14:38:11Z)

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。