論文の概要: NS-ST-GraphRAG: Neuro-Symbolic Spatio-Temporal GraphRAG for Literary Knowledge Processing

• arxiv url: http://arxiv.org/abs/2609.05139v1
• Date: Fri, 04 Sep 2026 13:39:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.058249
• Title: NS-ST-GraphRAG: Neuro-Symbolic Spatio-Temporal GraphRAG for Literary Knowledge Processing
• Title（参考訳）: NS-ST-GraphRAG : リテラリー知識処理のためのニューロシンボリック時空間グラフRAG
• Abstract要約: NSST-GraphRAGは、時間グラフ表現、制約付き抽出、監査可能な評価を統合する。 Red-Chamber-QAは、中国古典文学における最初のオープンなマルチホップ質問答えベンチマークである。 その結果、時間グラフ表現、制約付き抽出、監査可能な評価が、長期的物語に対する知識処理の統一フレームワークにどのように統合されているかが分かる。
• 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: Long-form literary narratives pose a distinctive information-processing challenge for retrieval-augmented generation: relevant evidence is distributed across chapters, relations evolve over narrative time, and correct answers may depend jointly on temporal, spatial, and relational constraints. We propose NS-ST-GraphRAG, a neuro-symbolic spatio-temporal GraphRAG framework that integrates ontology-guided extraction, deterministic constraint checking, dual temporal coordinates, spatial scene attributes, and dynamic sub-graph retrieval. Instead of retrieving from a single corpus-level graph, the framework selects the graph state valid for the temporal and spatial scope of a query and grounds generated answers in traceable evidence. We further introduce Red-Chamber-QA, to our knowledge the first open multi-hop question-answering benchmark for classical Chinese literature, with time-, space-, and general-question categories, per-part evidence spans, and deterministic shortcut controls. On a 120-question held-out split, NS-ST-GraphRAG achieves mechanical answer reproduction of 0.733 versus 0.675 for the frozen window baseline and 0.083 for a closed-book model (McNemar exact p = 0.092, directionally favorable but not significant); semantic-judge accuracy is 0.866 versus 0.850. The pre-specified constrained-category condition of H2 is not supported by the delivered comparison. These results show how temporal graph representation, constrained extraction, and auditable evaluation integrate into a unified framework for verifiable knowledge processing over long-form narrative.
• Abstract（参考訳）: 関連する証拠は章に分散し、物語の時間とともに関係は進化し、正しい答えは時間的、空間的、関係的な制約に強く依存する。 ニューロシンボリックな時空間グラフRAGフレームワークであるNS-ST-GraphRAGを提案し、オントロジー誘導抽出、決定論的制約チェック、二重時間座標、空間的シーン特性、動的部分グラフ検索を統合する。 このフレームワークは、単一のコーパスレベルグラフから検索する代わりに、クエリの時間的および空間的スコープに有効なグラフ状態を選択し、生成した回答をトレース可能なエビデンスでグラウンドする。 さらに、古典中国文学における最初のオープンなマルチホップ質問答えベンチマークである、時間、空間、一般問合せカテゴリ、パートごとのエビデンス、決定論的ショートカット制御について、Red-Chamber-QAを紹介します。 NS-ST-GraphRAGは120の問合せで、閉本モデルでは0.733対0.675対0.083対0.733対0.9283(McNemarの正確なp = 0.092、方向が好ましいが有意ではない)、セマンティックジャッジ精度は0.866対0.850である。 H2の予め特定された制約カテゴリー条件は、配信された比較によって支持されない。 これらの結果は、時間グラフ表現、制約付き抽出、監査可能な評価が、長期的物語よりも検証可能な知識処理のための統一的な枠組みにどのように統合されているかを示す。

関連論文リスト

• ChronoQG: Towards a Temporally Expressive and Hop-Bounded Benchmark for Temporal Knowledge Graph Question Generation [9.596365499364323]
  知識グラフ質問生成(KGQG)は、構造化グラフ証拠から自然言語質問を生成することを目的としている。 既存のKGQGベンチマークは主に静的知識グラフ上に構築されており、グラフ事実の時間的スコープを符号化していない。 提案するChronoQGは,TKGQGのための時間表現型およびホップバウンド型ベンチマーク構築フレームワークである。
  論文  参考訳（メタデータ） (2026-07-16T09:53:26Z)
• Right Answer at the Right Time - Temporal Retrieval-Augmented Generation via Graph Summarization [23.1799368651364]
  時間的知識グラフの質問応答には、時間的一貫性と効率的な検索が必要である。 時間整合ルールグラフの構築と,探索空間を狭めるために,このグラフ上での伝搬を行うという,2つの重要なアイデアに依存した時間的グラフRAGフレームワークSTAR-RAGを提案する。 この設計は、検索中に時間的近接を強制し、検索結果の候補セットを減らし、精度を犠牲にすることなくトークン消費を減少させる。
  論文  参考訳（メタデータ） (2025-10-19T05:00:04Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• Classification of Temporal Graphs using Persistent Homology [0.0]
  時間グラフは、相互作用をタイムスタンプ付きエッジとして表現することで、動的システムを効果的にモデル化する。 永続ホモロジーを用いた時間グラフ解析のための新しい手法を提案する。 我々のアプローチはノードクラスフリーであり、広範囲の時間グラフ解析に柔軟性を提供する。
  論文  参考訳（メタデータ） (2025-02-14T10:55:15Z)
• Learning Granularity Representation for Temporal Knowledge Graph Completion [2.689675451882683]
  時間的知識グラフ(TKG)は、実世界の事実の動的な構造的知識と進化的パターンを反映する時間的情報を含んでいる。 本稿では,TKG 補完のための textbfLearning textbfGranularity textbfRepresentation (termed $mathsfLGRe$) を提案する。 グラニュラリティ・ラーニング(GRL)とアダプティブグラニュラリティ・バランシング(AGB)の2つの主要コンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-08-27T08:19:34Z)
• Temporal Smoothness Regularisers for Neural Link Predictors [8.975480841443272]
  TNTComplExのような単純な手法は、最先端の手法よりもはるかに正確な結果が得られることを示す。 また,2つの時間的リンク予測モデルに対する幅広い時間的平滑化正規化の影響についても検討した。
  論文  参考訳（メタデータ） (2023-09-16T16:52:49Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• DisenHCN: Disentangled Hypergraph Convolutional Networks for Spatiotemporal Activity Prediction [53.76601630407521]
  本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。 特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。 次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
  論文  参考訳（メタデータ） (2022-08-14T06:51:54Z)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。