論文の概要: When Is Graph Structure Worth Its Cost? The Case for Structure Pricing in Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2609.18099v1
• Date: Wed, 16 Sep 2026 04:08:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.629952
• Title: When Is Graph Structure Worth Its Cost? The Case for Structure Pricing in Retrieval-Augmented Generation
• Title（参考訳）: グラフ構造はいつコストがかかるか? 検索型世代における構造価格の場合
• Abstract要約: グラフベースの検索拡張生成(RAG)は、多くのドキュメントからの情報を必要とする質問に答えるのに役立つ。 本稿では,このコスト削減を目的としたグラフベースのRAGシステムであるEffiRAGを提案する。 グラフを使用して関連するパスを特定し、元のテキストから回答を生成する。
• 参考スコア（独自算出の注目度）: 6.1914813967207865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based retrieval-augmented generation (RAG) can help answer questions that require information from many documents. However, building a graph often requires many language-model calls during ingestion. It is therefore important to ask whether its quality gains justify the additional cost. We present EffiRAG, a graph-based RAG system designed to reduce this cost. It uses the graph to locate relevant passages and generates answers from the original text. This design preserves source information while keeping graph construction and query processing lightweight. We evaluate EffiRAG on UltraDomain, which contains 120 open-ended questions from four domains. Compared with LightRAG-hybrid, EffiRAG produces the preferred answer on 93 questions. LightRAG is preferred on 7, and the remaining 20 are splits. EffiRAG also reduces total system cost by 57 percent, from USD 0.952 to USD 0.408. The cost includes language-model calls during ingestion and querying. The advantage remains as the corpus grows. At 10 and 20 documents per domain, EffiRAG uses a lightweight, non-LLM filter to skip low-salience chunks. It remains preferred over LightRAG-hybrid. It costs 4.2 times and 4.5 times less, respectively. The comparisons identify different quality-cost trade-offs. Graph-based RAG systems should therefore be evaluated by both answer quality and cost. The results favor graph structure that locates and preserves source evidence.
• Abstract（参考訳）: グラフベースの検索拡張生成(RAG)は、多くのドキュメントからの情報を必要とする質問に答えるのに役立つ。 しかし、グラフを構築するには、多くの場合、取り込み中に多くの言語モデルコールが必要になる。 したがって、その品質向上が追加コストを正当化するかどうかを問うことが重要である。 本稿では,このコスト削減を目的としたグラフベースのRAGシステムであるEffiRAGを提案する。 グラフを使用して関連するパスを特定し、元のテキストから回答を生成する。 この設計は、グラフ構築とクエリ処理を軽量に保ちながら、ソース情報を保存する。 我々は,UltraDomain上でのEffiRAGの評価を行った。 LightRAG-hybridと比較して、EffiRAGは93の質問に対して好意的な回答を生成する。 7ではLightRAGが好まれ、残りの20は分割される。 EffiRAGは、USD0.952からUSD 0.408まで、システム全体のコストを57%削減する。 コストには、取り込みとクエリ中の言語モデル呼び出しが含まれる。 コーパスが成長するにつれて、利点は残る。 EffiRAGは1ドメインあたり10と20のドキュメントで、軽量で非LLMフィルタを使用して低可用性のチャンクをスキップする。 LightRAG-hybridよりも好まれる。 それぞれ4.2倍、4.5倍安い。 比較は、異なる品質とコストのトレードオフを特定する。 したがって、グラフベースのRAGシステムは、応答品質とコストの両方で評価されるべきである。 結果は、情報源の証拠を発見・保存するグラフ構造を好む。

関連論文リスト

• LiteRAG: Cost-Efficient Graph-Based Retrieval-Augmented Generation [1.0674604700001966]
  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。
  論文  参考訳（メタデータ） (2026-09-09T14:32:07Z)
• Graph-Guided Concept Selection for Efficient Retrieval-Augmented Generation [10.905519077035956]
  グラフベースのRAGは、テキストチャンクから知識グラフ(KG)を構築し、Large Language Model(LLM)ベースの質問応答における検索を強化する。 バイオメディシン、法学、政治学などの分野では特に有益であり、事実上の検索はプロプライエタリな文書に対するマルチホップ推論を伴うことが多い。
  論文  参考訳（メタデータ） (2025-10-28T06:47:30Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• PolyG: Adaptive Graph Traversal for Diverse GraphRAG Questions [12.124107412701173]
  知識グラフ質問の基本パターンを分類するために,完全4クラス分類法を提案する。 次に、グラフの包括的な集合を含む新しいグラフRAGベンチマークであるPolyBenchを作成します。 提案する質問分類法に基づき,質問を分解・分類し,適応的なグラフRAG手法であるPolyGを提案する。
  論文  参考訳（メタデータ） (2025-04-02T20:19:04Z)
• RAG vs. GraphRAG: A Systematic Evaluation and Key Insights [53.83444096699458]
  我々は,テキストベースベンチマークを用いて,検索型拡張生成(RAG)とグラフRAGを体系的に評価する。 本結果は,RAGとGraphRAGの異なる課題と評価の観点から,それぞれ異なる強みを浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-02-17T02:36:30Z)
• KET-RAG: A Cost-Efficient Multi-Granular Indexing Framework for Graph-RAG [21.62060252772377]
  Graph-RAGは、Large Language Model (LLM)ベースの質問応答における検索を改善するために、テキストチャンクから知識グラフを構築する。 既存のGraph-RAGシステムでは、テキストチャンクの関連性に基づいてKNNグラフを構築しているが、この粗い粒度のアプローチでは、テキスト内のエンティティ関係をキャプチャできない。 KET-RAGは,インデクシングコストを低減しつつ,良好な結果の精度を確保するための多粒性インデックスフレームワークである。
  論文  参考訳（メタデータ） (2025-02-13T13:16:16Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)

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。