論文の概要: MOSAIC: Query-Aware Exploration Policy Adaptation for GraphRAG

• arxiv url: http://arxiv.org/abs/2609.11065v1
• Date: Thu, 10 Sep 2026 04:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.209673
• Title: MOSAIC: Query-Aware Exploration Policy Adaptation for GraphRAG
• Title（参考訳）: MOSAIC: GraphRAGのためのクエリ対応探索ポリシー適応
• Abstract要約: GraphRAGはコーパスグラフに分散したエビデンスを接続することができるが、ほとんどのシステムはクエリ間で共有された探索手順を使用している。 本稿では、GraphRAG検索をクエリごとの制御問題として定式化する、トレーニング不要のフレームワークであるMosaicを提案する。 モザイクは最強の標準的固定政策よりも9.96ポイント改善している。
• 参考スコア（独自算出の注目度）: 0.9981673042249516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Retrieval-Augmented Generation (GraphRAG) can connect evidence distributed across a corpus graph, but most systems use largely shared exploration procedures across queries. This creates a structural mismatch: direct facts may need compact local neighborhoods, comparisons need balanced coverage of multiple targets, and mediated questions may require deeper paths through weakly related connectors. We present Mosaic, a training-free framework that formulates GraphRAG retrieval as a per-query control problem. An LLM analyzer converts query-specific evidence requirements into a bounded policy over seed selection, graph traversal, stopping, and evidence selection, while the corpus graph, indexes, scoring functions, grounding procedure, and answer generator remain shared. On GraphRAG-Bench, Mosaic achieves query-weighted Answer Correctness of 76.97 on Medical and 64.33 on Novel, improving over the strongest previously reported overall results by 5.13 and 4.43 points. On Medical, it reaches 95.1 Evidence Recall and 86.1 Context Relevancy. Controlled comparisons on an identical graph and generator show that no fixed narrow, medium, or wide policy is consistently optimal; Mosaic improves by 9.96 points over the strongest canonical fixed policy. Relative to Fixed Wide, it evaluates 81.9% fewer paths and retains 47.2% fewer evidence items. Transfer experiments on HotpotQA, MuSiQue, and 2WikiMultiHopQA further show that the policy interface can be applied without benchmark-specific retriever training.
• Abstract（参考訳）: Graph Retrieval-Augmented Generation (GraphRAG)は、コーパスグラフに分散したエビデンスを接続することができるが、ほとんどのシステムはクエリで共有される探索手順をほとんど使っている。 直接事実はコンパクトな局所近傍を必要とするかもしれないし、比較には複数のターゲットのバランスの取れたカバレッジが必要である。 我々は、GraphRAG検索をクエリごとの制御問題として定式化する、トレーニング不要のフレームワークであるMosaicを提案する。 LLMアナライザは、クエリ固有のエビデンス要件を、シード選択、グラフトラバーサル、停止、エビデンス選択に関するバウンドポリシーに変換する一方、コーパスグラフ、インデックス、スコアリング関数、グラウンド処理、応答生成器は共有されている。 GraphRAG-Benchにおいて、モザイクは医学で76.97、ノベルで64.33というクエリ重み付けの解答正解を達成し、これまで報告された全結果の5.13点と4.43点よりも改善した。 医療では95.1Evidence Recallと86.1Context Relevancyに到達している。 同一のグラフとジェネレータの制御された比較は、固定された狭さ、中幅または広角なポリシーが一貫して最適でないことを示している。 固定広さとは対照的に、81.9%のパスが減少し、47.2%のエビデンスアイテムが維持されている。 HotpotQA, MuSiQue, 2WikiMultiHopQAの転送実験では, ベンチマーク固有の検索学習を必要とせずにポリシインターフェースを適用することができる。

関連論文リスト

• Disagree to Explore, Agree to Commit: Routing-Guided Test-Time Scaling for Software Agents [60.650808962786364]
  外部判断や選択時間テストの実行なしに,ネイティブなMoEルータトレースがステアリングと選択をガイドできるかどうかを検討する。 我々の分析は、ルーティングが堅牢な行動的役割シグナルを提供することを示している。トークン・グラニュラ・リードアウトと決定整合比較セットは、ルーティングを効果的に制御する。 オープンウェイトスパースMOEエージェントを用いたSWEベンチ検証を行い,評価を行った。
  論文  参考訳（メタデータ） (2026-08-23T03:07:03Z)
• Noesis: Bidirectional Graph-RAG with Adaptive Parallelism and Cross-Knowledge-Base Semantic Discovery [0.0]
  Graph-RAGは、ドメイン固有のコーパスで大きな言語モデルを構築するための強力なパラダイムとして登場した。 既存のシステムは永続的な制約に直面している: (1) 静的な断片化、長い文書の断片化、横断的なセマンティック接続の喪失、(2) 取り込みパイプラインは適応的にスケールしない、(3) マルチドメインデプロイメントは、検索精度を希釈するモノリシックな知識ベースか、または手動のユーザルーティングを必要とする。 Noesis は,これらの制限に対処する疎結合な Graph-RAG アーキテクチャである。 (a) Graph-Feedback Context Resolver を用いた双方向グラフトラバース; (b) AIMD Con
  論文  参考訳（メタデータ） (2026-08-16T20:23:35Z)
• SkillDAG: Self-Evolving Typed Skill Graphs for LLM Skill Selection at Scale [54.70985426016736]
  本稿では,スキル間関係を型付き有向グラフとしてモデル化したSkillDAGを提案する。 各検索はベクトルマッチング、型付きエッジ隣人、競合信号を返す。 ALFWorldとSkillsBench with MiniMax-M2.7では、SkillDAGは67.1%の成功と27.3%の報酬を得た。
  論文  参考訳（メタデータ） (2026-06-02T02:45:21Z)
• 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)
• No One Size Fits All: QueryBandits for Hallucination Mitigation [27.117502300924183]
  我々は、最適なクエリ-リライト戦略を選択するために、オンラインを適応的に学習する、モデルに依存しないコンテキスト・バンディットフレームワークであるQueryBanditsを紹介した。 すべてのクエリに最適な書き直しポリシーは存在しないことを示す。 また、ある静的ポリシーはNo-Rewriteよりも累積的後悔を招き、非フレキシブルなクエリ書き換えポリシーは幻覚を悪化させる可能性があることを示す。
  論文  参考訳（メタデータ） (2026-02-23T20:28:48Z)
• N2N-GQA: Noise-to-Narrative for Graph-Based Table-Text Question Answering Using LLMs [0.0]
  ハイブリッドテーブルテキストデータに対するマルチホップ質問応答には,大規模コーパスからの複数のエビデンス部分の検索と推論が必要である。 Standard Retrieval-Augmented Generation (RAG) パイプラインは文書をフラットなランクリストとして処理し、検索ノイズがあいまいな推論連鎖を引き起こす。 N2N-GQAは、ノイズの多い検索出力から動的エビデンスグラフを構成する、オープンドメインハイブリッドテーブルテキストQAのための最初のゼロショットフレームワークである。
  論文  参考訳（メタデータ） (2026-01-10T15:55:15Z)
• Search-on-Graph: Iterative Informed Navigation for Large Language Model Reasoning on Knowledge Graphs [26.0585592684229]
  大規模言語モデル(LLM)は、知識集約型マルチホップ質問では信頼性が保たれていない印象的な推論能力を示している。 本稿では,LLMの反復的なグラフナビゲーションを実現するための,シンプルかつ効果的なフレームワークである検索オングラフ(SoG)を提案する。 Wikidataベンチマーク(以前のベストメソッドよりも+16%改善)とFreebaseベンチマークの一貫性のある改善は特に顕著です。
  論文  参考訳（メタデータ） (2025-10-09T21:20:16Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• 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)
• Retrieval-Augmented Generation with Conflicting Evidence [57.66282463340297]
  大規模言語モデル (LLM) エージェントは、応答の事実性を改善するために、検索強化世代 (RAG) をますます採用している。 実際には、これらのシステムは曖昧なユーザクエリを処理し、複数のソースからの情報に衝突する可能性がある。 RAMDocs(Retrieval with Ambiguity and Misinformation in Documents)は,ユーザクエリのエビデンスを矛盾させるような,複雑で現実的なシナリオをシミュレートする新しいデータセットである。
  論文  参考訳（メタデータ） (2025-04-17T16:46:11Z)

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。