論文の概要: Beyond Similarity through Zero-Token Geometric Graphs for Multi-Hop RAG

• arxiv url: http://arxiv.org/abs/2609.19622v1
• Date: Thu, 17 Sep 2026 03:14:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.07554
• Title: Beyond Similarity through Zero-Token Geometric Graphs for Multi-Hop RAG
• Title（参考訳）: マルチホップRAGのためのゼロトークン幾何グラフによる類似性を超えて
• Abstract要約: マルチホップ検索拡張世代(RAG)は、セマンティックギャップをブリッジするのに十分な新規性を導入しながら、クエリに関連性のある証拠を必要とする。 Geometric Gain Graph RAG (G$3$RAG) は、オフライングラフ構築にLLM(Large Language Model)コールや生成されたトークンを使用しない文書のみのフレームワークである。 G$3$RAG は各エッジに幾何ゲインスコア $coscdot sin$ を割り当て、方向整合性を共同でキャプチャする。
• 参考スコア（独自算出の注目度）: 35.03045275871606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-hop retrieval-augmented generation (RAG) requires evidence that remains relevant to a query while introducing enough novelty to bridge semantic gaps. Dense retrieval tends to concentrate on semantically similar documents, whereas graph-based alternatives often depend on costly Large Language Model (LLM) entity extraction and may propagate through noisy connections. We introduce Geometric Gain Graph RAG (G$^3$RAG), a document-only framework whose offline graph construction uses no LLM calls or generated tokens. G$^3$RAG assigns each edge a geometric gain score, $\cosθ\cdot \sinθ$, that jointly captures directional consistency and orthogonality between document representations. A density-aware topological penalty suppresses highly connected hubs, while single-step controlled diffusion expands from filtered query seeds toward complementary evidence. We evaluate G$^3$RAG on MusiQue, 2WikiMultiHopQA, and HotpotQA using Nv-embed-v2 and Qwen3-8B-embed. G$^3$RAG obtains the best average F1 and answer-document hit rate among the evaluated graph-based baselines in both embedding settings, with gains of up to 4.26 F1 points in average performance and 5.76 points on MusiQue. It also removes the graph-construction token cost incurred by entity-based graph methods. These results show that geometric structure can support efficient multi-hop evidence discovery without LLM-based graph construction. Code is available at https://anonymous.4open.science/r/G3RAG-99D9/
• Abstract（参考訳）: マルチホップ検索拡張世代(RAG)は、セマンティックギャップをブリッジするのに十分な新規性を導入しながら、クエリに関連性のある証拠を必要とする。 デンス検索は意味論的に類似した文書に集中する傾向があり、グラフベースの代替案は高コストのLarge Language Model (LLM) エンティティ抽出に依存し、ノイズの多い接続を通じて伝播する。 G$^3$RAG(Geometric Gain Graph RAG)は,LLMコールや生成されたトークンを使用せずにオフラインでグラフを構築できる,文書のみのフレームワークである。 G$^3$RAG は各辺に幾何ゲインスコア $\cosθ\cdot \sinθ$ を割り当て、文書表現間の方向整合性と直交性を共同でキャプチャする。 密度対応トポロジカルペナルティは高度に連結されたハブを抑制する一方、単一ステップ制御拡散はフィルタされたクエリシードから相補的なエビデンスへと拡大する。 Nv-embed-v2およびQwen3-8B-embedを用いてMusiQue,2WikiMultiHopQA,HotpotQAのG$^3$RAGを評価する。 G$3$RAGは、両方の埋め込み設定において評価されたグラフベースのベースラインの中で、最高の平均F1と解答文書ヒット率を取得し、平均パフォーマンスでは4.26F1ポイント、MusiQueでは5.76ポイントまで上昇する。 また、エンティティベースのグラフメソッドによってもたらされるグラフ構築トークンのコストを削減します。 これらの結果から,LLMに基づくグラフ構築を使わずに,幾何構造が効率的なマルチホップエビデンス発見を支援することが示唆された。 コードはhttps://anonymous.4open.science/r/G3RAG-99D9/で公開されている。

関連論文リスト

• Beyond Chunk-Local Extraction: Cross-Chunk Graph Augmentation for GraphRAG [11.699085890492833]
  GraphRAGは、コーパスを明示的な知識グラフとして整理することで、検索拡張生成を拡張する。 既存のフレームワークは個々のチャンク内のエンティティとリレーションを抽出し、クロスチャンクの関係はインデックスから体系的に欠落している。 GNN誘導のCROSS-Chunk Graph AUGmentation法であるCrossAugを提案する。
  論文  参考訳（メタデータ） (2026-05-27T05:55:53Z)
• Causal Concept Graphs in LLM Latent Space for Stepwise Reasoning [0.0]
  Causal Concept Graphs (CCG): スパースで解釈可能な潜在機能に関する非巡回グラフ。 タスク条件付きスパースオートエンコーダとDAGMAスタイルの微分可能な構造学習を組み合わせたグラフ復元を行う。
  論文  参考訳（メタデータ） (2026-03-11T03:46:38Z)
• $G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA [53.491241153213565]
  G2$-Readerはマルチモーダルな質問応答のためのデュアルグラフシステムである。 Qwen3-VL-32B-Instructによる$G2$-Readerの平均精度は66.21%に達し、強力なベースラインとスタンドアローンのGPT-5(53.08%)を上回った。 5つのマルチモーダルドメインにわたるVisDoMBenchでは、Qwen3-VL-32B-Instructを使った$G2$-Readerが平均精度66.21%に達し、強力なベースラインとスタンドアロンのGPT-5(53.08%)を上回っている。
  論文  参考訳（メタデータ） (2026-01-29T17:52:54Z)
• Query-Centric Graph Retrieval Augmented Generation [15.423162448800134]
  QCG-RAGはクエリ中心のグラフRAGフレームワークで、クエリ粒度インデックスとマルチホップチャンク検索を可能にする。 LiHuaWorldとMultiHop-RAGの実験では、QCG-RAGは問合せ精度において、チャンクベースおよびグラフベースのRAG法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-09-25T14:35:44Z)
• Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval [22.33550491040999]
  RAGは、大きな言語モデルを外部の証拠に基礎を置いているが、セマンティックに遠く離れた文書で答えをまとめなければならないと、いまだに混乱している。 私たちは、StatementGraphRAGとTopicGraphRAGという2つのプラグイン・アンド・プレイレトリバーを構築します。 提案手法は,検索リコールと正当性において平均23.1%の相対的改善を達成し,有意なチャンクベースRAGよりも優れていた。
  論文  参考訳（メタデータ） (2025-06-09T17:58:35Z)
• 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)
• Graph Chain-of-Thought: Augmenting Large Language Models by Reasoning on Graphs [60.71360240206726]
  大規模言語モデル(LLM)は、特に知識集約的なタスクにおいて幻覚に悩まされる。 既存の研究は、外部知識コーパスから取得した個々のテキスト単位でLLMを拡張することを提案する。 本稿では,グラフを反復的に推論することで,LLMをグラフで拡張するためのGraph Chain-of-thinkt (Graph-CoT) というフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T15:41:53Z)
• Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
  グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。 我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
  論文  参考訳（メタデータ） (2022-05-28T15:37:03Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。