論文の概要: Beyond Vector Similarity: Hierarchical Context-Aware Graph RAG vs Standard RAG in Enterprise Code Migration

• arxiv url: http://arxiv.org/abs/2609.12464v1
• Date: Fri, 11 Sep 2026 05:54:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.636111
• Title: Beyond Vector Similarity: Hierarchical Context-Aware Graph RAG vs Standard RAG in Enterprise Code Migration
• Title（参考訳）: ベクトル類似性を超えて - エンタープライズコードのマイグレーションにおける階層的コンテキスト対応グラフRAGと標準RAG
• Abstract要約: 本稿では,制約を解決するための階層型コンテキスト-レジデントグラフ(HCRG)手法を提案する。 私たちのパイプラインでは、抽象構文木(AST)抽出にツリーシッターを使用し、アーキテクチャエッジをGoogle Cloud Spanner Property Graphにマッピングし、この構造をGeminiコンテキストキャッシュにシリアライズしています。 最終的に、幻覚を減らすためのコードの複雑さを交換する一方で、Graph RAGは、自動化されたエンタープライズモダナイゼーションのための、はるかに実用的でアーキテクチャ的に健全なパスを提供します。
• 参考スコア（独自算出の注目度）: 3.164177271211724
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: As enterprises modernize legacy monolithic systems to microservices, Large Language Models (LLMs) are heavily utilized for automated code translation. However, traditional vector-based Retrieval-Augmented Generation (Standard RAG) struggles to capture topological relationships. It fetches isolated chunks that sever inheritance chains, leading to high compilation failure rates. This paper introduces a Hierarchical Context-Resident Graph (HCRG) methodology to resolve these limitations. Our pipeline uses tree-sitter for Abstract Syntax Tree (AST) extraction, maps architectural edges into a Google Cloud Spanner Property Graph, and serializes this structure into a Gemini Context Cache for topological, parent-first code translation. We shift evaluation from naive text-overlap to a custom 7-metric Software Engineering framework. Traditional metrics like CodeBLEU (which scored 91% for both methods) effectively masked Standard RAG's structural failures behind syntactically plausible but broken code. Empirically, Graph RAG decisively mitigates dependency loss: API hallucination rates dropped from 56.4% to 16.2%, Dependency Resolution Quality improved from 34.8% to 65.9%, and Parent-Child Consistency rose from 26.7% to 45.5%. However, Graph RAG introduces specific trade-offs. The dense global context causes defensive over-engineering by the LLM, reducing Cyclomatic Complexity Consistency from 71.6% to 46.7%, and slightly degrades Docstring Preservation (67.0% to 61.0%). Ultimately, while trading code complexity for reduced hallucinations, Graph RAG provides a substantially more viable, architecturally sound path for automated enterprise codebase modernization.
• Abstract（参考訳）: 企業がレガシーなモノリシックシステムをマイクロサービスに現代化するにつれ、LLM(Large Language Models)はコードの自動翻訳に大きく活用されています。 しかし、従来のベクトルベースのRetrieval-Augmented Generation (Standard RAG)は、トポロジカルな関係を捉えるのに苦労している。 分離されたチャンクをフェッチして、継承チェーンを切断し、高いコンパイル失敗率につながる。 本稿では,これらの制約を解決するために階層型コンテキスト・レジデントグラフ(HCRG)手法を提案する。 私たちのパイプラインでは、抽象構文木(AST)抽出にツリーシッターを使用し、アーキテクチャエッジをGoogle Cloud Spanner Property Graphにマッピングし、この構造をトポロジ的、親優先のコード変換のためのGeminiコンテキストキャッシュにシリアライズしています。 初歩的なテキストオーバーラップから、カスタムの7メトリックソフトウェアエンジニアリングフレームワークに評価をシフトします。 CodeBLEU(両方のメソッドで91%を獲得した)のような従来のメトリクスは、構文的に妥当だが壊れたコードの背後にあるStandard RAGの構造上の失敗を効果的に隠蔽していた。 API幻覚率は56.4%から16.2%に低下し、依存性解決品質は34.8%から65.9%に改善され、親子一貫性は26.7%から45.5%に向上した。 しかし、Graph RAGは特定のトレードオフを導入している。 密集したグローバルコンテキストはLLMによる防御オーバーエンジニアリングを引き起こし、循環複雑度一貫性を71.6%から46.7%に低下させ、Docstring Preservation(67.0%から61.0%)をわずかに低下させる。 最終的に、幻覚を減らすためのコードの複雑さを交換する一方で、Graph RAGは、自動化されたエンタープライズコードベースの近代化のための、はるかに実用的でアーキテクチャ的に健全なパスを提供します。

関連論文リスト

• Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
  クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。 反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
  論文  参考訳（メタデータ） (2026-09-02T08:10:22Z)
• GRAIN: Bridging Name and Narrative Shifts in Real-World Graph Reasoning through Invariance-Rewarded Agentic RL [34.35715901787783]
  強化学習により最適化された単一エージェントフレームワークであるGRAINを提案する。 GRAINはセマンティック解析とツール実行パイプラインとして推論をモデル化する。 マルチエージェントベースラインの精度は16.45%向上し、レイテンシは約24%低下した。
  論文  参考訳（メタデータ） (2026-08-27T13:53:52Z)
• 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)
• GREPO: A Benchmark for Graph Neural Networks on Repository-Level Bug Localization [50.009407518866965]
  リポジトリレベルのバグローカライゼーションは、ソフトウェアエンジニアリングの重要な課題です。 GNNは、複雑なリポジトリ全体の依存関係をモデル化できるため、有望な代替手段を提供する。 GREPOは、リポジトリスケールのバグローカライゼーションタスクのための最初のGNNベンチマークである。
  論文  参考訳（メタデータ） (2026-02-14T23:22:15Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• GRACE: Graph-Guided Repository-Aware Code Completion through Hierarchical Code Fusion [33.66085762717581]
  LLMはローカライズされたコード補完に優れていますが、コンテキストウィンドウが限られているため、リポジトリレベルのタスクに苦労しています。 GRACEは、静的および動的コードセマンティクスの両方をキャプチャするために、マルチレベルでマルチセマンティックなコードグラフを構築する。 実験によると、GRACEはすべてのメトリクスで最先端のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-09-07T09:01:48Z)
• Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning [32.78218766121055]
  グラフ検索拡張生成(GraphRAG)は,複雑な推論において,大規模言語モデルを効果的に拡張した。 本稿では,フレームワーク全体を複雑な統合として結合する,垂直に統一されたエージェントパラダイムYoutu-GraphRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-27T13:13:20Z)
• 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)
• Towards Better Graph Neural Network-based Fault Localization Through Enhanced Code Representation [8.647406441990396]
  本稿では,グラフ表現の複雑性をノードやエッジで70%削減する新しいグラフ表現DepGraphを提案する。 Defects4j 2.0.0 を用いてDepGraph を評価し,Top-1 では 20% 以上の故障が検出され,平均一位 (MFR) と平均平均一位 (MAR) が50%以上向上した。
  論文  参考訳（メタデータ） (2024-04-06T04:13:01Z)
• Generative and Contrastive Paradigms Are Complementary for Graph Self-Supervised Learning [56.45977379288308]
  Masked Autoencoder (MAE)は、マスク付きグラフエッジやノード機能の再構築を学ぶ。 Contrastive Learning (CL)は、同じグラフの拡張ビュー間の類似性を最大化する。 我々は,MAE と CL を統一するグラフコントラッシブマスク付きオートエンコーダ (GCMAE) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T05:06:06Z)
• SCGC : Self-Supervised Contrastive Graph Clustering [1.1470070927586016]
  グラフクラスタリングはネットワーク内のグループやコミュニティを検出する。 オートエンコーダのような深層学習手法は、豊富な構造情報を組み込むことはできない。 自己監督型コントラストグラフクラスタリング(SCGC)を提案する。
  論文  参考訳（メタデータ） (2022-04-27T01:38:46Z)

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。