論文の概要: Seed-Anchored Budget-Bounded Graph Rendering for Question Answering on Industry-Standard Power-Grid Information and Exchange Models

• arxiv url: http://arxiv.org/abs/2609.02011v1
• Date: Wed, 02 Sep 2026 02:39:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.032622
• Title: Seed-Anchored Budget-Bounded Graph Rendering for Question Answering on Industry-Standard Power-Grid Information and Exchange Models
• Title（参考訳）: 産業標準電力グリッド情報・交換モデルに対する質問応答のためのシードアンコレッド予算境界グラフレンダリング
• Abstract要約: 本稿では,クエリローカルグラフエビデンスを優先する決定論的手法であるシードアンコールグラフレンダリングを導入する。 我々は、共通グリッドモデル交換標準(CGMES)を介して交換された共通情報モデル(CIM)ネットワークモデルに対するアプローチを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model question answering over power-grid models must respect a fixed context budget. We introduce seed-anchored graph rendering, a deterministic method that prioritizes query-local graph evidence without adding method-specific tuned or learned parameters beyond the shared hop bound and context budget. The method provides a checkable condition under which predefined seed-local answer-bearing render units are preserved in a greedy bounded-context prefix. We evaluate the approach on Common Information Model (CIM) network models exchanged through the Common Grid Model Exchange Standard (CGMES). On two budget-binding CGMES encodings, naive descriptions-first rendering retains local evidence for every single-hop item but only 0.12 and 0.00 of multi-hop items, whereas seed-anchored rendering retains all such evidence. On a preregistered fresh 100-item bank from the SmallGrid topology family, accuracy rises from 0.450 to 0.970 under a fixed 8,000-character context budget. Under a common retrieval and rendering pipeline, the standards-native seed-anchored graph matches or exceeds extracted graph representations produced by LightRAG, Microsoft GraphRAG, and HippoRAG, while avoiding LLM graph-construction tokens. The results are specific to the evaluated CIM/CGMES models, reader, and context budget; they concern budget-bounded retrieval rather than general question answering.
• Abstract（参考訳）: パワーグリッドモデルに対する大きな言語モデル質問の回答は、固定されたコンテキスト予算を尊重しなければならない。 我々は,クエリローカルなグラフエビデンスを,共有ホップバウンドやコンテキスト予算を超えて,メソッド固有のチューニングパラメータや学習パラメータを追加することなく優先順位付けする決定論的手法であるシードアンコールグラフレンダリングを導入する。 本発明の方法は、予め定義されたシードローカル回答付きレンダリングユニットを、greedy境界コンテキストプレフィックスに保存するチェック可能な条件を提供する。 我々は,CGMES(Common Grid Model Exchange Standard)を通じて交換された共通情報モデル(Common Information Model, CIM)ネットワークモデルに対するアプローチを評価する。 2つの予算拘束型CGMESエンコーディングでは、単純明快な記述優先レンダリングはすべてのシングルホップアイテムの局所的な証拠を保持するが、マルチホップアイテムの0.12と0.00しか持たない。 スモールグリッド(SmallGrid)のトポロジー・ファミリーの登録済み100石の銀行では、8000文字の固定予算の下で精度が0.450から0.970に上昇する。 共通の検索とレンダリングパイプラインの下では、標準ネイティブなシードアンコールグラフは、LLMグラフ構築トークンを避けながら、LightRAG、Microsoft GraphRAG、HippoRAGによって生成された抽出グラフ表現と一致または超えている。 結果はCIM/CGMESモデル、読者、文脈予算に特化しており、一般的な質問応答よりも予算境界による検索に関係している。

関連論文リスト

• LoGIC: Budgeted Context Construction for Node-Level Graph In-Context Learning with Tabular Foundation Models [2.895347325484886]
  現在のプロトコルでは、完全なトレーニングテーブルをコンテキストとして使用しており、ラベル付きプールと2次スケールに注意を向け、前処理やメモリボトルネックを導入している。 ノードレベルグラフ ICL: ラベル付きノードと補助ラベルなしノードが指定されたクエリのプロンプトを構成するべきコンテキスト構成について検討する。 提案するLoGICは,構造的,特徴ベース,カバレッジチャネルを通じてラベル付きノードを検索し,各クエリをグラフローカルクラスタで共有し,アダプタバックボーンにラベル付きハロを組み込んだ上で,テストラベルなしでチャネルとコンテキストの予算を選択する。
  論文  参考訳（メタデータ） (2026-09-05T07:43:30Z)
• 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)
• Causal Concept Graphs in LLM Latent Space for Stepwise Reasoning [0.0]
  Causal Concept Graphs (CCG): スパースで解釈可能な潜在機能に関する非巡回グラフ。 タスク条件付きスパースオートエンコーダとDAGMAスタイルの微分可能な構造学習を組み合わせたグラフ復元を行う。
  論文  参考訳（メタデータ） (2026-03-11T03:46:38Z)
• Query-Centric Graph Retrieval Augmented Generation [15.423162448800134]
  QCG-RAGはクエリ中心のグラフRAGフレームワークで、クエリ粒度インデックスとマルチホップチャンク検索を可能にする。 LiHuaWorldとMultiHop-RAGの実験では、QCG-RAGは問合せ精度において、チャンクベースおよびグラフベースのRAG法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-09-25T14:35:44Z)
• PolyG: Adaptive Graph Traversal for Diverse GraphRAG Questions [12.124107412701173]
  知識グラフ質問の基本パターンを分類するために,完全4クラス分類法を提案する。 次に、グラフの包括的な集合を含む新しいグラフRAGベンチマークであるPolyBenchを作成します。 提案する質問分類法に基づき,質問を分解・分類し,適応的なグラフRAG手法であるPolyGを提案する。
  論文  参考訳（メタデータ） (2025-04-02T20:19:04Z)
• Hydra-SGG: Hybrid Relation Assignment for One-stage Scene Graph Generation [57.69385990442078]
  Hydra-SGGは、VG150 (16.0 mR@50)、Open Images V6 (50.1 weighted score)、GQA (12.7 mR@50)を含む複数のデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-09-16T13:13:06Z)
• Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
  TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。 我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。 実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-09T06:02:01Z)
• Visually-Prompted Language Model for Fine-Grained Scene Graph Generation in an Open World [67.03968403301143]
  SGG(Scene Graph Generation)は、視覚理解のための画像中の主観的、述語的、対象的な関係を抽出することを目的としている。 既存の再バランス戦略は、以前のルールを通じてそれを処理しようとするが、まだ事前に定義された条件に制限されている。 そこで我々は,多種多様な粒度の述語を生成するために,視覚的にプロンプトされた言語モデルを学習するクロスモーダルプレディケイトブースティング(CaCao)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-23T13:06:38Z)
• Modeling Fine-grained Information via Knowledge-aware Hierarchical Graph for Zero-shot Entity Retrieval [11.533614615010643]
  我々は,よりきめ細かい情報を文埋め込みに補完するものとして,GERを提案する。 これらの知識ユニットから情報を集約することで、言及/関心に関するきめ細かい情報を学習する。 一般的なベンチマーク実験の結果,提案するGERフレームワークは,従来の最先端モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-11-20T14:37:53Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)

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。