論文の概要: LivingRAG: Augmenting Graph RAG with Experience

• arxiv url: http://arxiv.org/abs/2608.25960v1
• Date: Wed, 26 Aug 2026 16:21:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.89881
• Title: LivingRAG: Augmenting Graph RAG with Experience
• Title（参考訳）: LivingRAG: エクスペリエンスを備えたグラフRAGの拡張
• Abstract要約: LivingRAGは、安定的で再利用可能な推論エクスペリエンスを備えたグラフRAGフレームワークである。 LivingRAGは、グラフベースの検索バックボーンに、書き込み可能なエクスペリエンスストアを追加する。 ストアドグラフ信号は、以前の関連するクエリで有用であったエンティティやパスの検索を支援する。 オンラインQAストリームを分析し、共有エンティティ、グラフ近隣、質問テンプレートから再利用可能な信号を検索する。
• 参考スコア（独自算出の注目度）: 20.117836836720244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based RAG improves multi-hop question answering by organizing evidence as a knowledge graph. However, most existing RAG systems process each query in isolation and discard useful reasoning from the LLM's response after inference. As a result, later related queries need to retrieve evidence and reason from scratch. We propose LivingRAG, a Graph RAG framework with writable and reusable reasoning experience. LivingRAG adds a writable experience store to a graph-based retrieval backbone, enabling verified experiences to be reused during inference in two ways. Stored graph signals help retrieval find entities and passages that were useful in earlier related queries. Stored summaries provide a reference reasoning pattern for answer generation. We analyze online QA streams and find reusable signals from shared entities, graph neighborhoods, and question templates. Experiments on multi-hop QA benchmarks show that LivingRAG improves accuracy over strong RAG baselines and reduces completion-token use when relevant prior experience is reused.
• Abstract（参考訳）: グラフベースのRAGは、知識グラフとしてエビデンスを整理することで、マルチホップ質問応答を改善する。 しかしながら、既存のRAGシステムは、各クエリを個別に処理し、推論後のLLMの応答から有用な推論を破棄する。 結果として、後から関連するクエリは、エビデンスと推論をゼロから取得する必要がある。 リビングラグ(LivingRAG)は、リユースな推論経験を持つグラフRAGフレームワークである。 LivingRAGはグラフベースの検索バックボーンに書き込み可能なエクスペリエンスストアを追加し、推論中に2つの方法で検証済みエクスペリエンスを再利用可能にする。 ストアドグラフ信号は、以前の関連するクエリで有用であったエンティティやパスの検索を支援する。 ストアドサマリーは、回答生成のための参照推論パターンを提供する。 オンラインQAストリームを分析し、共有エンティティ、グラフ近隣、質問テンプレートから再利用可能な信号を検索する。 マルチホップQAベンチマーク実験により、LivingRAGは強力なRAGベースラインよりも精度を向上し、関連する事前経験が再利用された場合に、完了までの時間を短縮することが示された。

関連論文リスト

• SelfGraphRAG: Bridging the Supervision Gap in Graph-Based RAG with Synthetic QA Generation [10.08021023788401]
  SelfGraphRAGは知識グラフ構造から直接質問応答ペアを生成し、クエリ条件のグラフ検索をトレーニングするフレームワークである。 本稿では,SelfGraphRAGにより,埋め込みベースラインよりも検索精度と下流推論性能が向上することを示す。
  論文  参考訳（メタデータ） (2026-08-25T20:18:05Z)
• Efficient Retrieval-Augmented Generation via Token Co-occurrence Graphs [6.058906522832935]
  TIGRAG(Token-induced GraphRAG)はトークン共起知識グラフに基づく効率的なグラフ拡張RAGフレームワークである。 推論中に、グラフベースのセマンティック展開とニューラルリグレードを組み合わせて、マルチホップ推論のための相互接続された証拠を検索する。
  論文  参考訳（メタデータ） (2026-06-29T10:29:51Z)
• Is GraphRAG Needed? From Basic RAG to Graph-/Agentic Solutions with Context Optimization [9.99981815735792]
  本稿では,半構造化知識ベースを用いたRAGシナリオの評価と比較を行うフレームワークを提案する。 9つの標準化されたRAGシナリオの実装と総合的な比較実験を行う。
  論文  参考訳（メタデータ） (2026-06-24T10:11:02Z)
• Do We Still Need GraphRAG? Benchmarking RAG and GraphRAG for Agentic Search Systems [9.226583502132753]
  Retrieval-augmented Generation(RAG)とそのグラフベースの拡張(GraphRAG)は、大規模言語モデル(LLM)推論を改善する効果的なパラダイムである。 近年のエージェントサーチシステムでは,推論中の動的,多ラウンド検索,シーケンシャルな意思決定が可能である。 本稿では,エージェント検索に基づく検索基盤として高密度なRAGと代表的なGraphRAG手法を評価する統一ベンチマークであるRAGSearchを紹介する。
  論文  参考訳（メタデータ） (2026-04-01T07:21:32Z)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Beyond Static Retrieval: Opportunities and Pitfalls of Iterative Retrieval in GraphRAG [40.27922416050001]
  グラフベースのRAG(GraphRAG)は、知識集約型質問応答において、大規模言語モデル(LLM)を改善するための強力なパラダイムである。 反復検索は有望な代替手段として登場したが、GraphRAGにおけるその役割は未だよく分かっていない。 本稿では,グラフベースのバックボーンと異なる戦略がどのように相互作用するかを解析し,グラフRAGにおける反復検索に関する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2025-09-29T21:38:28Z)
• 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)
• RAG vs. GraphRAG: A Systematic Evaluation and Key Insights [53.83444096699458]
  我々は,テキストベースベンチマークを用いて,検索型拡張生成(RAG)とグラフRAGを体系的に評価する。 本結果は,RAGとGraphRAGの異なる課題と評価の観点から,それぞれ異なる強みを浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-02-17T02:36:30Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• RaFe: Ranking Feedback Improves Query Rewriting for RAG [83.24385658573198]
  アノテーションを使わずにクエリ書き換えモデルをトレーニングするためのフレームワークを提案する。 公開されているリランカを活用することで、フィードバックはリライトの目的とよく一致します。
  論文  参考訳（メタデータ） (2024-05-23T11:00:19Z)

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。