論文の概要: FashionKG-RAG: Knowledge Graph-Enhanced Retrieval-Augmented Generation for Fashion Question Answering

• arxiv url: http://arxiv.org/abs/2608.22688v1
• Date: Mon, 24 Aug 2026 01:01:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.828073
• Title: FashionKG-RAG: Knowledge Graph-Enhanced Retrieval-Augmented Generation for Fashion Question Answering
• Title（参考訳）: FashionKG-RAG: Fashion Question Answeringのための知識グラフ強化検索生成
• Abstract要約: 専門家レベルの精度と専門性を備えた総合的ドメインワイド知識グラフである textbfFashionEcoKG を提案する。 さらに,ファッションクエリの概念密度と言語ノイズを扱うためのトレーニングフリーフレームワークである textbfPG-RAG (Pruning-Grounding RAG) を開発した。
• 参考スコア（独自算出の注目度）: 38.72481744763987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fashion is a knowledge-intensive domain in which effective decision-making depends on integrating multiple types of knowledge. Although Large Language Models (LLMs) have transformed many areas, their application in fashion remains limited by hallucinations and weak domain specialization. Knowledge Graph (KG)-based Retrieval-Augmented Generation (RAG) offers a promising way to add structured knowledge to LLMs. However, existing fashion KGs are typically restricted to product-level attributes or item relations, and fail to capture the broader fashion ecosystem. To bridge these gaps, we propose \textbf{FashionEcoKG}, a comprehensive, domain-wide knowledge graph built with expert-level precision and professionalism. It is constructed through a three-stage agentic pipeline that extracts high-fidelity knowledge cores from authoritative textbooks and strengthens structural connectivity through cross-domain augmentation and generative expansion. To leverage this resource, we further develop \textbf{PG-RAG} (Pruning-Grounding RAG), a training-free framework designed to handle the conceptual density and linguistic noise of fashion queries. Specifically, we introduce a Dual-Granularity Path Re-Ranking (DGPR) module of two stages. The Pruning-based Semantic Ranking (PSR) module distills each query into a skeleton form to improve retrieval recall, while the Grounding-based Agentic Ranking (GAR) performs point-wise scrutiny of candidate paths against the original full query to ensure global relevance. Experiments on a curated fashion QA dataset show that PG-RAG effectively leverages FashionEcoKG to improve retrieval and answer accuracy, outperforming both non-RAG and existing KG-RAG baselines.
• Abstract（参考訳）: ファシオン(英: Fashion)は、複数のタイプの知識を統合することによる効果的な意思決定を行う知識集約ドメインである。 LLM(Large Language Models)は多くの領域を変えてきたが、その適用法は幻覚や弱い領域の特殊化によって制限されている。 Knowledge Graph (KG)ベースのRetrieval-Augmented Generation (RAG)は、構造化された知識をLLMに追加する有望な方法を提供する。 しかし、既存のファッションKGは通常、製品レベルの属性やアイテムの関係に制限されており、より広範なファッションエコシステムを捉えていない。 これらのギャップを埋めるため,専門家レベルの精度と専門性を備えた包括的ドメインワイド知識グラフである「textbf{FashionEcoKG}」を提案する。 3段階のエージェントパイプラインによって構築され、権威ある教科書から高忠実な知識コアを抽出し、ドメイン間の拡張と生成拡張によって構造接続を強化する。 このリソースを活用するために、ファッションクエリの概念密度と言語ノイズを扱うために設計されたトレーニングフリーフレームワークである「textbf{PG-RAG} (Pruning-Grounding RAG)」をさらに開発する。 具体的には、2段階のDGPR(Dual-Granularity Path Re-Ranking)モジュールを紹介する。 Pruning-based Semantic Ranking (PSR)モジュールは、各クエリをスケルトン形式で蒸留し、検索リコールを改善する。 キュレートされたファッションQAデータセットの実験により、PG-RAGはFashionEcoKGを効果的に活用し、検索と回答の精度を改善し、非RAGと既存のKG-RAGベースラインを上回ります。

関連論文リスト

• Generalizing Graph Foundation Models via Hyperbolic Retrieval-Augmented Generation [36.1292155308597]
  グラフ基礎モデル(GFM)はグラフ表現学習において支配的なパラダイムとして登場した。 本稿では,GFMの一般化能力を高めるためのフレームワークを提案する。 複数のグラフベンチマークの実験では、ゼロショット設定が大幅に改善された。
  論文  参考訳（メタデータ） (2026-06-02T08:21:57Z)
• Mixture-of-Experts Knowledge Graph Retrieval-Augmented Generation for Multi-Agent LLM-based Recommendation [56.36851606088493]
  本稿では,知識グラフ検索拡張生成(KG-RAG)のための協調型マルチエージェントフレームワークを提案する。 MixRAGRecはMixture-of-Experts Retrieval Agentを統合し、各クエリを異なる粒度のKG検索専門家にルーティングする。
  論文  参考訳（メタデータ） (2026-05-27T08:56:57Z)
• UniAI-GraphRAG: Synergizing Ontology-Guided Extraction, Multi-Dimensional Clustering, and Dual-Channel Fusion for Robust Multi-Hop Reasoning [5.05936665390102]
  本稿では,オープンソースのGraphRAG上に構築された拡張フレームワークであるUniAI-GraphRAGを提案する。 本フレームワークは,(1)ドメイン固有のエンティティや関係を正確に識別する上で,事前定義されたLCMをガイドするオントロジーガイド付き知識抽出,(2)アライメント完了,属性ベースのクラスタリング,マルチホップ関係クラスタリングによるコミュニティ完全性を改善する多次元コミュニティクラスタリング,(3)ハイブリッドグラフとコミュニティ検索によるQA精度とパフォーマンスのバランスをとるデュアルチャネルグラフ検索フュージョンの3つの中心的イノベーションを紹介する。
  論文  参考訳（メタデータ） (2026-03-26T08:13:43Z)
• Structured Knowledge Representation through Contextual Pages for Retrieval-Augmented Generation [53.768256130061765]
  PAGERは、RAGのためのページ駆動の自律的知識表現フレームワークである。 関連文書を反復的に検索して洗練し、各スロットをポップアップさせ、最終的にコヒーレントなページを構成する。 実験の結果、PAGERはすべてのRAGベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-14T11:44:31Z)
• TagRAG: Tag-guided Hierarchical Knowledge Graph Retrieval-Augmented Generation [20.741721911329048]
  Retrieval-Augmented Generationは、情報および接地応答をサポートするために外部知識を取得することで、言語モデルを強化する。 従来のRAGメソッドはフラグメントレベルの検索に依存しており、クエリ中心の要約クエリに対処する能力を制限する。 本稿では,タグ誘導型階層型知識グラフRAGフレームワークであるTagRAGを提案する。
  論文  参考訳（メタデータ） (2025-10-18T08:24:49Z)
• 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)
• Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
  Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。 逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。 この調査は両鎖を統一的推論-検索の観点から合成する。
  論文  参考訳（メタデータ） (2025-07-13T03:29:41Z)
• KG-Infused RAG: Augmenting Corpus-Based RAG with External Knowledge Graphs [58.12674907593879]
  KG-Infused RAGは、既存の大規模知識グラフをRAGに組み込むフレームワークである。 KG-Infused RAGは、関連する構造化知識を取得するために、外部KG上での拡散活性化を直接実行する。 実験の結果、KG-Infused RAGはバニラRAGより一貫して優れていた。
  論文  参考訳（メタデータ） (2025-06-11T09:20:02Z)
• DO-RAG: A Domain-Specific QA Framework Using Knowledge Graph-Enhanced Retrieval-Augmented Generation [4.113142669523488]
  ドメイン固有のQAシステムは、生成頻度を必要とするが、構造化専門家の知識に基づく高い事実精度を必要とする。 本稿では,マルチレベル知識グラフ構築と意味ベクトル検索を統合した,スケーラブルでカスタマイズ可能なハイブリッドQAフレームワークであるDO-RAGを提案する。
  論文  参考訳（メタデータ） (2025-05-17T06:40:17Z)
• Knowledge Graph-Guided Retrieval Augmented Generation [34.83235788116369]
  本稿では,知識グラフを用いた検索検索生成フレームワークを提案する。 KG$2$RAGは、チャンク間の事実レベルの関係を提供し、得られた結果の多様性と一貫性を改善する。
  論文  参考訳（メタデータ） (2025-02-08T02:14:31Z)

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。