論文の概要: LiteRAG: Cost-Efficient Graph-Based Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2609.10239v1
• Date: Wed, 09 Sep 2026 14:32:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.063694
• Title: LiteRAG: Cost-Efficient Graph-Based Retrieval-Augmented Generation
• Title（参考訳）: LiteRAG: コスト効率の良いグラフベースの検索生成
• Abstract要約: LiteRAGは、高価な検索時間LLM制御をクエリ条件のアルゴリズム探索と推論チェーンのコンテキスト構築に置き換えるグラフベースの検索手法である。 OnCompは、分散システム論文に対するマルチホップ検索のベンチマークであり、LiteRAGは全体的な品質が最も高い。 LiteRAGのクエリ適応しきい値とコミュニティ対応ハブペナライゼーションは、トークン効率の向上の主要な要因である。
• 参考スコア（独自算出の注目度）: 1.0674604700001966
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based retrieval can improve multi-hop question answering, but existing approaches often incur high query-time costs and produce diffuse, oversized contexts that reduce generation efficiency. We present LiteRAG, a graph-based retrieval method that replaces expensive retrieval-time LLM control with query-conditioned algorithmic exploration and reasoning-chain context construction. On DistComp, a benchmark for multi-hop retrieval over distributed-systems papers, LiteRAG attains the highest overall quality among the evaluated methods (0.798) while reducing per-query latency by over 100$\times$ and cost by over 99% relative to GraphRAG Global and DRIFT. On UltraDomain, it matches LinearRAG on overall quality while using about 14$\times$ fewer tokens. An ablation study indicates that LiteRAG's query-adaptive thresholding and community-aware hub penalization are the main drivers of its token-efficiency gains.
• Abstract（参考訳）: グラフベースの検索は、マルチホップの質問応答を改善することができるが、既存のアプローチは、しばしば高いクエリ時間コストを発生させ、生成効率を低下させる拡張性、過大なコンテキストを生成する。 本稿では,LiteRAGを提案する。LiteRAGは,高価な検索時間LLM制御をクエリ条件のアルゴリズム探索と推論チェーンのコンテキスト構築に置き換えるグラフベースの検索手法である。 分散システム論文に対するマルチホップ検索のベンチマークであるDistCompでは、LiteRAGは評価されたメソッド(0.798)の中で最高品質を達成し、クエリ毎のレイテンシを100$\times$以上削減し、GraphRAG GlobalやDRIFTと比較して99%以上コストを削減した。 UltraDomainでは、LinearRAGの全体的な品質にマッチし、約14$\times$より少ないトークンを使用する。 アブレーション研究では、LiteRAGのクエリ適応しきい値とコミュニティ対応ハブペナライゼーションがトークン効率の向上の主要な要因であることを示している。

関連論文リスト

• 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)
• GraphRAG-Router: Learning Cost-Efficient Routing over GraphRAGs and LLMs with Reinforcement Learning [14.136365231796994]
  グラフベースの検索強化生成(GraphRAG)は知識集約型質問応答の強力なパラダイムとして登場した。 既存のGraphRAGシステムは通常、すべてのクエリに対して、固定された検索フレームワークと、大きくてコストがかかる単一のジェネレータLLMを頼りに、一大の方法で構築される。 ヘテロジニアスなGraphRAGとジェネレータLLMを協調する階層的ルーティング戦略を採用したコスト効率のフレームワークであるGraphRAG-theを提案する。
  論文  参考訳（メタデータ） (2026-03-31T09:53:20Z)
• Cost-Aware Query Routing in RAG: Empirical Analysis of Retrieval Depth Tradeoffs [0.0]
  本稿では,emphCost-Aware RAG (CA-RAG)について紹介する。 CA-RAG は、常に重い検索よりも有償トークンを textbf26% 減少させ、textbf34% 平均遅延を always-direct 推論より低くする。
  論文  参考訳（メタデータ） (2026-03-26T02:53:39Z)
• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• Q-RAG: Long Context Multi-step Retrieval via Value-based Embedder Training [50.37345200692884]
  強化学習(RL)を用いた多段階探索のための細粒度埋め込みモデルQ-RAGを提案する。 Q-RAGは、オープンドメイン質問応答のための既存のマルチステップ検索方法に代わる、競合的でリソース効率のよい代替手段を提供する。
  論文  参考訳（メタデータ） (2025-11-10T17:31:02Z)
• Evaluating Retrieval-Augmented Generation Systems on Unanswerable, Uncheatable, Realistic, Multi-hop Queries [53.99620546358492]
  実世界のユースケースでは、複雑なクエリを持つRAGシステムが存在し、関連する情報がコーパスから欠落したり、不完全であったりすることが多い。 既存のRAGベンチマークは、マルチホップやスコープ外の質問に対して、現実的なタスクの複雑さを反映することはめったにない。 un$underlinec$heatable, $underliner$ealistic, $underlineu$nanswerable, $underlinem$ulti-hopの自動生成のための最初のパイプラインを提示する。
  論文  参考訳（メタデータ） (2025-10-13T21:38:04Z)
• Graph-R1: Towards Agentic GraphRAG Framework via End-to-end Reinforcement Learning [20.05893083101089]
  Graph-R1は、エンドツーエンド強化学習(RL)によるエージェントGraphRAGフレームワークである 軽量な知識ハイパーグラフ構築、マルチターンエージェント環境相互作用としてのモデル検索を導入している。 標準RAGデータセットの実験では、Graph-R1は、精度、検索効率、生成品質を推算する従来のGraphRAGおよびRL強化RAGメソッドよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-29T15:01:26Z)
• Clue-RAG: Towards Accurate and Cost-Efficient Graph-based RAG via Multi-Partite Graph and Query-Driven Iterative Retrieval [15.599544326509436]
  Retrieval-Augmented Generation (RAG) は、しばしばグラフ構造化データから外部情報を統合することで制限に対処する。 本稿では,マルチパーティグラフインデックスとクエリ駆動反復検索戦略を導入した新しいアプローチであるClue-RAGを提案する。 3つのQAベンチマークの実験により、Clue-RAGは最先端のベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-07-11T09:36:45Z)
• 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)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• 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)

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。