論文の概要: A Storage-Retrieval Gap in Parametric Knowledge Graph Memory
- arxiv url: http://arxiv.org/abs/2608.25489v2
- Date: Wed, 02 Sep 2026 09:29:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 15:35:44.736624
- Title: A Storage-Retrieval Gap in Parametric Knowledge Graph Memory
- Title（参考訳）: パラメトリック知識グラフメモリにおけるストレージ検索ギャップ
- Authors: Martino M. L. Pulici, Cuong Xuan Chu, Evgeny Kharlamov, Volker Tresp,
- Abstract要約: グラフ検索の拡張された生成場所は、検索されたサブグラフをクエリ時にモデルのコンテキストウィンドウに格納し、繰り返しトークンコストを支払い、呼び出し毎にソースデータを公開する。
知識グラフをオフラインでLoRAアダプタのバンクにコンパイルすることで、テキストではなく重みを注入することでクエリ時間コンテキストのコストをゼロにすることで、パラメトリックな知識層として機能する。
- 参考スコア（独自算出の注目度）: 24.29060047495061
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph retrieval-augmented generation places retrieved subgraphs into the model's context window at query time, paying a recurring token cost and exposing source data on every call. We study an alternative: compiling a knowledge graph offline into a bank of LoRA adapters, one per entity, that serve as a parametric knowledge layer queried by injecting weights rather than text, at zero query-time context cost. On the MetaQA dataset, we find that subgraph-trained adapters encode context-free factual knowledge that generalizes to unseen questions: on single-valued relations the adapter gains $+0.243$ exact-match score over a base model that is nearly blind closed-book ($0.007$), and only the correct adapter recovers this knowledge (an oracle gap of $+0.283$ over the base model). However, the stored knowledge is not recoverable by similarity: given a query with no subgraph, embedding-based and weight-space geometry retrieval both perform at chance, because a semantically neighbouring entity's adapter does not contain the answer - knowledge is stored locally and does not transfer. Weight geometry correlates with subgraph semantics ($ρ= +0.329$) but not with functional retrievability. We quantify the byte and context-token costs against graph retrieval-augmented generation and discuss deployment implications. Our results establish that parametric knowledge graph memory is feasible for storing knowledge, and identify selecting and composing the right adapters by a mechanism other than semantic similarity as the central open problem - motivating a learned, query-conditioned composition mechanism.
- Abstract（参考訳）: グラフ検索の拡張された生成場所は、検索されたサブグラフをクエリ時にモデルのコンテキストウィンドウに格納し、繰り返しトークンコストを支払い、呼び出し毎にソースデータを公開する。
知識グラフをオフラインでLoRAアダプタのバンクにコンパイルすることで、テキストではなく重みを注入することでクエリ時間コンテキストのコストをゼロにすることで、パラメトリックな知識層として機能する。
単値関係では、このアダプタは、ほぼ盲目に近い閉本(0.007ドル)のベースモデルに対して$+0.243$の正確なマッチスコアを獲得し、正しいアダプタだけがこの知識を回復する(基本モデル上でのオラクルギャップは$+0.283ドル)。
しかし、記憶されている知識は類似性によって回復できない: サブグラフのないクエリ、埋め込みベース、および重み空間の幾何学的検索が偶然に実行される。
ウェイト幾何学は部分グラフのセマンティクス(ρ=+0.329$)と相関するが、機能的検索性には関連しない。
グラフ検索拡張生成に対するバイト数とコンテキストトークンのコストを定量化し,展開の意味を議論する。
この結果から,知識を記憶するためのパラメトリック知識グラフメモリが実現可能であり,意味的類似性以外のメカニズムによって適切なアダプタの選択と構成が可能であることが確認された。
関連論文リスト
- Mem-$π$: Adaptive Memory through Learning When and What to Generate [65.31077328444077]
本稿では,大規模言語モデル(LLM)エージェントにおける適応メモリのためのフレームワークを提案する。
Mem-$は検索ベースとRL最適化メモリベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-05-20T17:51:05Z) - AtomicRAG: Atom-Entity Graphs for Retrieval-Augmented Generation [36.2420491060406]
最近のGraphRAG法では、グラフ構造をテキストインデックスと検索に組み込んでいる。
知識表現と索引付けのためのより正確で信頼性の高いアーキテクチャを提案する。
我々のアプローチでは、知識は粗粒のテキストチャンクではなく、知識原子として保存される。
論文 参考訳（メタデータ） (2026-02-10T05:57:47Z) - Scalable and Explainable Enterprise Knowledge Discovery Using Graph-Centric Hybrid Retrieval [0.0]
現代の企業は、Jira、Gitリポジトリ、Confluence、wikiなどの異種システムに分散した膨大な知識を管理している。
本稿では,知識ベース言語拡張モデル(KBLam),DeepGraph表現,埋め込み型セマンティック検索を統合したモジュール型ハイブリッド検索フレームワークを提案する。
このフレームワークは、コード、プルリクエスト、コミット履歴を含む解析済みのリポジトリから統一された知識グラフを構築する。
大規模なGitリポジトリの実験では、統一推論層は、スタンドアロンのGPTベースの検索パイプラインと比較して、回答の妥当性を最大80%改善している。
論文 参考訳（メタデータ） (2025-10-13T02:56:36Z) - RANGER -- Repository-Level Agent for Graph-Enhanced Retrieval [0.38298911754746934]
汎用自動化ソフトウェアエンジニアリング(ASE)には、コード補完、検索、修復、QA、要約といったタスクが含まれる。
これらのタスクは、コードエンティティやコードエンティティクエリに関する特定のクエリを処理できるコード検索システムを必要とする。
本稿では、両方のクエリタイプに対応するように設計されたリポジトリレベルのコード検索エージェントであるRANGERを紹介する。
論文 参考訳（メタデータ） (2025-09-27T18:57:02Z) - SlimRAG: Retrieval without Graphs via Entity-Aware Context Selection [38.200971604630524]
SlimRAGはグラフのない検索のための軽量フレームワークである。
構造が重いコンポーネントを、シンプルで効果的なエンティティ認識メカニズムで置き換える。
実験により、SlimRAGは強い平坦線とグラフベースのベースラインよりも精度が高いことが示された。
論文 参考訳（メタデータ） (2025-06-15T15:36:17Z) - GeAR: Generation Augmented Retrieval [82.20696567697016]
本稿では,新しい方法であるtextbfGe$nerationを紹介する。
対照的な学習を通じて、グローバルなドキュメントクエリの類似性を改善すると同時に、よく設計されたフュージョンとデコードモジュールを統合する。
検索機として使用する場合、GeARはバイエンコーダよりも計算コストがかかることはない。
論文 参考訳（メタデータ） (2025-01-06T05:29:00Z) - Less is More: Making Smaller Language Models Competent Subgraph Retrievers for Multi-hop KGQA [51.3033125256716]
本研究では,小言語モデルで処理される条件生成タスクとして,サブグラフ検索タスクをモデル化する。
2億2千万のパラメータからなる基本生成部分グラフ検索モデルでは,最先端モデルと比較して競合検索性能が向上した。
LLMリーダを接続した最大の3Bモデルは、WebQSPとCWQベンチマークの両方で、SOTAのエンドツーエンドパフォーマンスを新たに設定します。
論文 参考訳（メタデータ） (2024-10-08T15:22:36Z) - $R^{2}$Former: Unified $R$etrieval and $R$eranking Transformer for Place
Recognition [92.56937383283397]
検索と再ランクの両方を扱う統合された場所認識フレームワークを提案する。
提案モジュールは特徴相関,注目値,xy座標を考慮に入れている。
R2$Formerは、主要なVPRデータセットの最先端メソッドを著しく上回る。
論文 参考訳（メタデータ） (2023-04-06T23:19:32Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳（メタデータ） (2022-12-02T04:08:09Z) - Autoregressive Entity Retrieval [55.38027440347138]
エンティティは、知識の表現と集約の方法の中心にあります。
クエリが与えられたエンティティを検索できることは、エンティティリンクやオープンドメインの質問応答のような知識集約的なタスクに基本となる。
本稿では,自己回帰方式でトークン・バイ・トークンを左から右に生成し,エンティティを検索する最初のシステムであるGENREを提案する。
論文 参考訳（メタデータ） (2020-10-02T10:13:31Z)
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。