論文の概要: Knowledge-Graph Based Augmentation versus Retrieval Augmented Generation for Cultural-Related Question Answering

• arxiv url: http://arxiv.org/abs/2609.18317v2
• Date: Fri, 18 Sep 2026 10:17:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.701451
• Title: Knowledge-Graph Based Augmentation versus Retrieval Augmented Generation for Cultural-Related Question Answering
• Title（参考訳）: 文化関連質問応答のための知識グラフに基づく検索対検索生成
• Abstract要約: Graph-RAGは、最近のオープンドメイン抽出ツールであるKGGenを使って、Wikipediaの記事からエンドツーエンドで構築されている。 G-RetrieverはRAGと競合し、標準のKGで72%、ベンチマーク対応の変種で78%の誤差を減少させる。 訓練されたプロジェクションは、ターゲット言語を微調整することなくゼロショットをポルトガル語に転送し、マルチリンガルリーチを示す。
• 参考スコア（独自算出の注目度）: 1.733255162390776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) suffer from a long-tail deficit: culturally specific facts, particularly those concerning underrepresented regions such as Latin America, appear too rarely in pretraining corpora to be reliably memorized. Retrieval-Augmented Generation (RAG) addresses this by grounding generation in external text, but structured alternatives such as Knowledge Graphs (KGs) offer tighter control over what enters the context, along with potential gains in explainability and updatability. We benchmark Graph-RAG against standard RAG on LatamQA, a culturally grounded multiple-choice dataset spanning eight thematic categories. The graphs are built end-to-end from Wikipedia articles with KGGen, a recent open-domain extractor, without manual curation in our main setting. G-Retriever is competitive with RAG and reduces the error of the base LLM by 72\% with a standard KG and 78\% with a benchmark-aware variant, the gap to RAG narrowing further as the graph is oriented toward task-relevant content. The trained projection transfers zero-shot to Portuguese without target-language fine-tuning, indicating multilingual reach.
• Abstract（参考訳）: 文化的に特異的な事実、特にラテンアメリカのようなあまり表現されていない地域に関する事実は、コーパスの事前訓練において、確実に記憶されるにはめったにない。 Retrieval-Augmented Generation (RAG) は、外部テキストで生成を基礎にすることでこの問題に対処するが、知識グラフ (KG) のような構造化された代替手段は、コンテキストに入るものをより厳格に制御する。 LatamQAの標準RAGに対してグラフRAGをベンチマークした。 グラフはWikipediaの記事から、最近のオープンドメイン抽出ツールであるKGGenを使って、手作業によるキュレーションなしで構築されている。 G-Retriever は RAG と競合し,標準 KG と 78 % と標準 KG との誤差を 72 % 削減する。 訓練されたプロジェクションは、ターゲット言語を微調整することなくゼロショットをポルトガル語に転送し、マルチリンガルリーチを示す。

関連論文リスト

• Beyond Vector Similarity: Hierarchical Context-Aware Graph RAG vs Standard RAG in Enterprise Code Migration [3.164177271211724]
  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。
  論文  参考訳（メタデータ） (2026-09-11T05:54:41Z)
• UltRAG: a Universal Simple Scalable Recipe for Knowledge Graph RAG [4.612466149994232]
  Retrieval augmented generation (RAG) は、知識コーパス内の情報を特定し、それをモデルのコンテキストウィンドウに配置することで、事実エラーを減らそうとする。 本稿では,従来のRAGから切り離された知識グラフから情報を取得するための一般的なフレームワークであるULTRAGを紹介する。 我々の実験では、ULTRAGは最先端のKG-RAGソリューションと比較して性能が向上する。
  論文  参考訳（メタデータ） (2026-01-28T14:31:29Z)
• ZeroGR: A Generalizable and Scalable Framework for Zero-Shot Generative Retrieval [125.19156877994612]
  生成検索(GR)は、情報検索(IR)を文書識別子(ドシデント)の生成としてフレーミングすることによって再構成する 我々は、自然言語命令を利用して幅広いIRタスクにわたってGRを拡張するゼロショット生成検索フレームワークであるtextscZeroGRを提案する。 具体的には、textscZeroGRは、3つのキーコンポーネントで構成されている: (i)不均一な文書を意味的に意味のあるドシデントに統一するLMベースのドシデントジェネレータ; (ii)自然言語タスク記述から様々なタイプのクエリを生成し、拡張する命令チューニングクエリジェネレータ。
  論文  参考訳（メタデータ） (2025-10-12T03:04:24Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• mRAKL: Multilingual Retrieval-Augmented Knowledge Graph Construction for Low-Resourced Languages [9.920621166617925]
  マルチ言語知識グラフ構築(mKGC)を行うための検索型拡張生成(RAG)システムであるmRAKLを紹介する。 我々の実験は主に、TigrinyaとAmharicの2つの低リソース言語に焦点を当てています。 理想的な検索システムにより、mRAKLはティグリニャとアムハラの精度を4.92および8.79ポイント向上させる。
  論文  参考訳（メタデータ） (2025-07-21T19:11:31Z)
• 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)
• 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)
• RAKG:Document-level Retrieval Augmented Knowledge Graph Construction [10.013667560362565]
  本稿では,自動文書レベルの知識グラフ構築の課題に焦点をあてる。 ドキュメントレベルの検索知識グラフ構築(RAKG)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-14T02:47:23Z)
• Knowledge Graph-Guided Retrieval Augmented Generation [34.83235788116369]
  本稿では,知識グラフを用いた検索検索生成フレームワークを提案する。 KG$2$RAGは、チャンク間の事実レベルの関係を提供し、得られた結果の多様性と一貫性を改善する。
  論文  参考訳（メタデータ） (2025-02-08T02:14:31Z)
• SFR-RAG: Towards Contextually Faithful LLMs [57.666165819196486]
  Retrieval Augmented Generation (RAG) は、外部コンテキスト情報を大言語モデル(LLM)と統合し、事実の精度と妥当性を高めるパラダイムである。 SFR-RAG(SFR-RAG)について述べる。 また、複数の人気かつ多様なRAGベンチマークをコンパイルする新しい評価フレームワークであるConBenchについても紹介する。
  論文  参考訳（メタデータ） (2024-09-16T01:08:18Z)

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。