論文の概要: CAGE: Coherence-Aware Graph Encoding for Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2609.04647v1
• Date: Fri, 04 Sep 2026 02:27:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.879782
• Title: CAGE: Coherence-Aware Graph Encoding for Retrieval-Augmented Generation
• Title（参考訳）: CAGE: Retrieval-Augmented GenerationのためのCoherence-Aware Graph Encoding
• Abstract要約: 従来のRetrieval-Augmented Generation (RAG)システムでは、クエリに対して各パスを独立してスコア付けする。 私たちはCoherence-Aware Graph AGE(CAGE)を紹介します。 我々のパイプラインは、取得したパスを向不均一なエンティティグラフに変換する。
• 参考スコア（独自算出の注目度）: 2.3578002163476266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional Retrieval-Augmented Generation (RAG) systems score each passage independently against the query, assembling context sets that may be individually relevant yet collectively incoherent. We introduce Coherence-Aware Graph Encoding (CAGE), a reranking framework that models "between-chunk coherence" across four dimensions: Intra-Domain Relevance, Noise Resistance, Informational Bonding, and Factual Consistency. Our pipeline transforms retrieved passages into directed heterogeneous entity graphs, amplifies factual anchors via min-out-degree reweighting, encodes structural patterns through a Relational Graph Convolutional Network, and fuses inter-chunk coherence with query relevance for final ranking. Evaluated across four multi-hop benchmarks, CAGE matches or outperforms strong baselines including monoT5 in Recall@5 on bridge-dominated datasets and consistently improves downstream Exact Match, demonstrating that structurally coherent context yields more precise answers even when retrieval recall is comparable or lower.
• Abstract（参考訳）: 従来のRetrieval-Augmented Generation (RAG)システムでは、クエリに対して各エントリを独立にスコアし、個別に関連性があり、集合的に一貫性のないコンテキストセットを組み立てる。 CAGE(Coherence-Aware Graph Encoding)は、ドメイン内関連性、ノイズ耐性、情報結合、Factual Consistencyの4つの次元にまたがる「チャンクコヒーレンス」をモデル化するフレームワークである。 我々のパイプラインは、検索したパスを向不均質なエンティティグラフに変換し、Min-out-degree再重み付けによって現実のアンカーを増幅し、Relational Graph Convolutional Networkを通じて構造パターンを符号化し、最終ランク付けのためのクエリ関連性とチャンク間コヒーレンスを融合する。 4つのマルチホップベンチマークで評価され、CAGEマッチは、ブリッジが支配するデータセット上のRecall@5のmonoT5を含む強力なベースラインを上回り、一貫して下流のExact Matchを改善します。

関連論文リスト

• GRADRAG: Cross-Component Prompt Adaptation for Coordinated Multi-Agent RAG [0.5566372336864309]
  クロスコンポーネント・プロンプト適応のためのフレームワークであるGRADRAGを紹介する。 評価者は下流の回答を批判し、証拠を支持し、実行可能なフィードバックを生み出す。 GRADRAGをSQUALITYおよびQMSUMベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-07-23T13:54:38Z)
• HAGE: Harnessing Agentic Memory via RL-Driven Weighted Graph Evolution [4.180315687162217]
  HAGEはエージェント型大規模言語モデル(LLM)システムのための重み付きマルチリレーショナルメモリフレームワークである。 クエリが与えられた場合、LLMベースの分類器はリレーショナルインテントを識別し、ルーティングネットワークはエッジ埋め込みの対応する次元を動的に変調する。 トラバーサルスコアは、意味的類似性とこれらのクエリ条件付きエッジ表現の学習された組み合わせによって計算される。
  論文  参考訳（メタデータ） (2026-05-11T03:41:18Z)
• Query-Aware Flow Diffusion for Graph-Based RAG with Retrieval Guarantees [10.806910118253976]
  グラフベースのRetrieval-Augmented Generation (RAG)システムは複雑な関係を捉えるために相互接続された知識構造を利用する。 本稿では,各クエリの全体的意味論にグラフトラバーサルを動的に適用する学習自由フレームワークであるQuery-Aware Flow Diffusion RAG (QAFD-RAG)を提案する。 QAFD-RAGは、弱い信号対雑音条件下で、高い確率で関連部分グラフを復元する。
  論文  参考訳（メタデータ） (2026-04-21T08:53:34Z)
• 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)
• A Benchmark Dataset for Graph Regression with Homogeneous and Multi-Relational Variants [3.037387520023979]
  プログラムグラフから構築した新しいグラフ回帰データセットであるRelSCを紹介する。 各グラフは、対応するプログラムの実行時間コストにラベル付けされる。 RelSCの両変種について,多種多様なグラフニューラルネットワークアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2025-05-29T12:59:36Z)
• CORG: Generating Answers from Complex, Interrelated Contexts [57.213304718157985]
  現実世界のコーパスでは、知識は文書間で頻繁に再帰するが、曖昧な命名、時代遅れの情報、エラーのためにしばしば矛盾を含む。 以前の研究では、言語モデルはこれらの複雑さに苦しむことが示されており、典型的には孤立した単一要因に焦点を当てている。 複数のコンテキストを個別に処理されたグループに整理するフレームワークであるContext Organizer (CORG)を紹介する。
  論文  参考訳（メタデータ） (2025-04-25T02:40:48Z)
• Unifying Feature and Cost Aggregation with Transformers for Semantic and Visual Correspondence [51.54175067684008]
  本稿では,高密度マッチングタスク用に設計されたTransformerベースの積分機能とコスト集約ネットワークを提案する。 まず, 特徴集約とコスト集約が異なる特徴を示し, 双方の集約プロセスの司法的利用から生じる実質的な利益の可能性を明らかにした。 本フレームワークは意味マッチングのための標準ベンチマークで評価され,また幾何マッチングにも適用された。
  論文  参考訳（メタデータ） (2024-03-17T07:02:55Z)
• Learnable Pillar-based Re-ranking for Image-Text Retrieval [119.9979224297237]
  画像テキスト検索は、モダリティギャップを埋め、意味的類似性に基づいてモダリティコンテンツを検索することを目的としている。 一般的なポストプロセッシング手法であるリグレードは, 単一モダリティ検索タスクにおいて, 隣り合う関係を捕捉する優位性を明らかにしている。 本稿では,画像テキスト検索のための新しい学習可能な柱型リグレードパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-25T04:33:27Z)
• Plug-and-Play Regulators for Image-Text Matching [76.28522712930668]
  微細な対応と視覚的セマンティックなアライメントの爆発は、画像とテキストのマッチングにおいて大きな可能性を秘めている。 我々は、メッセージ出力を効率的にエンコードして、コンテキストを自動生成し、モーダル表現を集約する、シンプルだが非常に効果的な2つのレギュレータを開発した。 MSCOCOとFlickr30Kデータセットの実験は、複数のモデルで印象的で一貫したR@1ゲインをもたらすことができることを実証している。
  論文  参考訳（メタデータ） (2023-03-23T15:42:05Z)
• Align then Fusion: Generalized Large-scale Multi-view Clustering with Anchor Matching Correspondences [53.09276639185084]
  マルチビューアンカーグラフクラスタリングは、完全なペアワイド類似性を避けるために代表アンカーを選択する。 既存のアプローチでは、ビューをまたいだアンカーセット間の正しい対応を確立するのに十分な注意を払わない。
  論文  参考訳（メタデータ） (2022-05-30T13:07:40Z)

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。