Fugu-MT 論文翻訳(概要): Beyond Vector Search: Comparing Classical RAG with Hybrid GraphRAG for Climate Science Q\&A

論文の概要: Beyond Vector Search: Comparing Classical RAG with Hybrid GraphRAG for Climate Science Q\&A

arxiv url: http://arxiv.org/abs/2608.28766v1
Date: Fri, 28 Aug 2026 18:12:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-03 13:19:50.372485
Title: Beyond Vector Search: Comparing Classical RAG with Hybrid GraphRAG for Climate Science Q\&A
Title（参考訳）: ベクトル探索を超えて - 古典的なRAGとハイブリッドなGraphRAGを気候科学のQ\&Aで比較する
Abstract要約: 本稿では,GraphRAG,Leidenコミュニティ検出,クロスエンコーダとベクトル探索を統合したハイブリッドアーキテクチャを提案し,従来のRAGと比較してコンテキスト関連性が160%,コンテキストリコールが177%向上した。これらの結果から,局所検索とグローバル検索の融合はテキストスパンの分離を著しく上回り,分散科学文献よりも効果的な質問応答システムを実現することが示唆された。
参考スコア（独自算出の注目度）: 2.1274857483463245
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traditional Retrieval-Augmented Generation (RAG) systems treat documents in isolation, failing to capture hierarchical relationships between concepts in complex scientific corpora. This limitation compromises answer quality in specialized domains such as climatology, where conceptual dependencies frequently traverse multiple articles. We propose a hybrid architecture that integrates vector search with GraphRAG, Leiden community detection, and cross-encoder re-ranking, achieving gains of 160\% in contextual relevance and 177\% in contextual recall compared to classical RAG. These results demonstrate that unifying local and global retrieval significantly outperforms text-span isolation, paving the way for more effective question-answering systems over dispersed scientific literature.
Abstract（参考訳）: 従来のRAG(Retrieval-Augmented Generation)システムでは、複雑な科学コーパスの概念間の階層的な関係を捉えることができず、文書を分離して扱う。この制限は気候学のような専門分野における回答の品質を損なう。本稿では,GraphRAG,Leidenコミュニティ検出,クロスエンコーダとベクトル探索を統合したハイブリッドアーキテクチャを提案する。これらの結果から,局所検索とグローバル検索の融合はテキストスパンの分離を著しく上回り,分散科学文献よりも効果的な質問応答システムを実現することが示唆された。

関連論文リスト

MACReD: A Multi-Agent Collaborative Reasoning Framework for Reaction Diagram Parsing [54.118897112270425]
本稿では,分子認識,矢印理解,テキスト抽出,および反応再構成のための特殊エージェントを統合VLM誘導アーキテクチャ内で協調する階層型マルチエージェントフレームワークを提案する。 RxnScribeベンチマークの実験では、MACReDはハードマッチとソフトマッチの基準で75.2%と84.6%のスコアで最先端のパフォーマンスを達成した。
論文参考訳（メタデータ） (2026-05-27T07:32:13Z)
Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
論文参考訳（メタデータ） (2026-03-09T18:20:20Z)
From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG [8.449978933501965]
本稿では,参照資料を構造化知識グラフに整理するグラフ検索拡張生成(GraphRAG)フレームワークを提案する。提案手法では,高忠実度グラフ構築のためのMicrosoft GraphRAGとHippoRAGニューロシンボリックアルゴリズムの2相パイプラインを用いる。
論文参考訳（メタデータ） (2026-02-28T04:44:06Z)
Retrieval Augmented Generation of Literature-derived Polymer Knowledge: The Example of a Biodegradable Polymer Expert System [4.222675210976564]
高分子文学は、大きくて成長する実験的な知識を含んでいる。その多くは、構造化されていないテキストと一貫性のない用語に埋もれている。既存のツールは通常、狭く、研究固有の事実を分離して抽出する。
論文参考訳（メタデータ） (2026-02-18T17:46:09Z)
Enhancing Retrieval Augmentation via Adversarial Collaboration [50.117273835877334]
我々は「検索幻覚」に対処するため、Adrial Collaboration RAG(AC-RAG)フレームワークを提案する。 AC-RAGは、知識ギャップを識別するジェネリスト検出器と、正確な解決策を提供するドメイン特化リゾルバという2つの異種エージェントを使用している。実験により、AC-RAGは検索精度を大幅に向上し、様々な垂直領域における最先端RAG法より優れていることが示された。
論文参考訳（メタデータ） (2025-09-18T08:54:20Z)
Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering [49.43814054718318]
マルチホップ質問応答 (MHQA) は、正しい回答を得るために複数の経路に散在する知識を統合する必要がある。従来の検索拡張生成法(RAG)は主に粗い粒度のテキスト意味的類似性に焦点を当てている。本稿では,HGRAG for MHQAという新しいRAG手法を提案する。
論文参考訳（メタデータ） (2025-08-15T06:36:13Z)
LeanRAG: Knowledge-Graph-Based Generation with Semantic Aggregation and Hierarchical Retrieval [10.566901995776025]
LeanRAGは知識集約と検索戦略を組み合わせたフレームワークです。グラフ上のパス検索に関連するかなりのオーバーヘッドを軽減し、冗長な情報検索を最小限にする。
論文参考訳（メタデータ） (2025-08-14T06:47:18Z)
HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
論文参考訳（メタデータ） (2025-08-01T20:30:42Z)
BifrostRAG: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety [11.079426930790458]
多くのコンプライアンス関連のクエリはマルチホップであり、リンクされた節間で情報を合成する必要がある。これは、従来の検索拡張世代(RAG)システムにとっての課題である。本稿では、言語関係と文書構造の両方を明示的にモデル化した二重グラフRAG統合システムであるBifrostRAGを紹介する。
論文参考訳（メタデータ） (2025-07-18T03:39:14Z)
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)
DuetRAG: Collaborative Retrieval-Augmented Generation [57.440772556318926]
協調検索拡張生成フレームワークであるDuetRAGが提案されている。ブートストラップの哲学はドメインフィニングとRAGモデルを同時に統合することである。
論文参考訳（メタデータ） (2024-05-12T09:48:28Z)

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。