論文の概要: Dual-Hypergraph Indexing: Bridging Knowledge Islands for Multi-Hop Reasoning in Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2609.28108v1
• Date: Wed, 23 Sep 2026 13:39:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.047602
• Title: Dual-Hypergraph Indexing: Bridging Knowledge Islands for Multi-Hop Reasoning in Retrieval-Augmented Generation
• Title（参考訳）: Dual-Hypergraph Indexing:Bridging Knowledge Islands for Multi-Hop Reasoning in Retrieval-Augmented Generation
• Abstract要約: 本稿では、離散的な事実を構造化された分析的洞察に高める階層的表現フレームワークであるDual-Hypergraph Indexing(DHI)を紹介する。 DHIは最先端のパフォーマンスを達成し、マルチディシプリナリー・ミックスのベンチマークでは+1.53の論理的コヒーレンスを向上し、複雑な医学的病因推論タスクでは85.78%のスコアを得た。
• 参考スコア（独自算出の注目度）: 14.55193589206205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While hypergraph-based Retrieval-Augmented Generation (RAG) effectively captures higher-order multi-entity correlations, existing paradigms treat extracted hyperedges as isolated factual assertions. This structural fragmentation engenders rigid "knowledge islands" that bottleneck multi-hop causal inference, temporal tracking, and narrative synthesis. To systematically address these challenges, we introduce Dual-Hypergraph Indexing (DHI), a hierarchical representation framework that elevates discrete facts into structured analytical insights. DHI couples a foundational entity-relation factual hypergraph ($H_K$) with an elevated deep-insight hypergraph ($H_D$) via a dual-pathway aggregation algorithm. Specifically, DHI employs: (1) importance-driven hub aggregation via 5-metric topological profiling and adaptive thresholding to capture spatial semantic clusters; and (2) temporal chunk-chain progressive aggregation via sliding-window greedy exploration to track chronological evolutions. Across five benchmarks, DHI achieves state-of-the-art performance, boosting logical coherence by +1.53 on the multidisciplinary Mix benchmark and scoring 85.78\% on complex medical pathology reasoning tasks. DHI provides a robust architecture for next-generation multi-hop RAG.
• Abstract（参考訳）: ハイパーグラフベースのRetrieval-Augmented Generation(RAG)は、高次のマルチエンタリティ相関を効果的に捉える一方で、既存のパラダイムでは、抽出されたハイパーエッジを独立した事実アサーションとして扱う。 この構造的断片化は、マルチホップ因果推論、時間的追跡、物語合成のボトルネックとなる厳格な「知識の島」を包含する。 これらの課題に体系的に対処するために、離散的な事実を構造化された分析的洞察に高める階層的表現フレームワークであるDual-Hypergraph Indexing (DHI)を導入する。 DHIは、基礎となるエンティティリレーショナルな事実ハイパーグラフ(H_K$)と、デュアルパスアグリゲーションアルゴリズムによって高められたディープインサイトハイパーグラフ(H_D$)を結合する。 具体的には,(1)空間意味クラスタを捕捉するための5次元トポロジカルプロファイリングとアダプティブしきい値を用いたハブアグリゲーション,2)時間的チャンクチェーンプログレッシブアグリゲーションをスライディング・ウインドウ・グリーディ探査により,時系列の進化を追跡する。 5つのベンチマークで、DHIは最先端のパフォーマンスを達成し、マルチディシプリナリー・ミックスのベンチマークで論理コヒーレンスを+1.53増加させ、複雑な医学的病因推論タスクで85.78倍のスコアを付けた。 DHIは次世代マルチホップRAGのための堅牢なアーキテクチャを提供する。

関連論文リスト

• Multi-granularity Adaptive Hypergraph Representation Learning via Granular-ball [7.889791816768536]
  ハイパーグラフ表現学習は、複数のノードを同時に接続するハイパーエッジを構築することにより、グラフ内の高次情報をキャプチャすることを目的としている。 本稿では,複数レベルの粒度でハイパーエッジを生成する適応的グラニュラハイパーグラフ生成戦略を提案する。 また,複数のサブネットワークを持つマルチグラニュラリティハイパーグラフネットワークを提案する。
  論文  参考訳（メタデータ） (2026-09-04T07:46:18Z)
• Hypergraph-based Multimodal Retrieval-Augmented Generation with Incremental Refinement [19.099989510112604]
  Hyper-M2RAGは,高次ハイパー表現学習によるマルチモーダル文書検索を再定義する新しいフレームワークである。 物理的冗長性に起因する意味的断片化を軽減するために,アンカー駆動インクリメンタルリファインメント機構を導入する。 このメカニズムは境界交差型アンカーノードを特定し、ワンホップ近傍コンテキストを用いて局所的ハイパートポロジーを再構築する。
  論文  参考訳（メタデータ） (2026-08-17T14:30:09Z)
• Hierarchical Evidence-Driven Reasoning for Long Document Understanding [95.51688464037096]
  閉領域文書理解のための階層的・エビデンス駆動型マルチモーダルRAGフレームワークであるHIEVI-RAGを紹介する。 我々のフレームワークは、既存のオープンソースベースラインを著しく上回り、最強の報告ベースラインを平均8.05%の精度で上回ります。
  論文  参考訳（メタデータ） (2026-07-06T03:08:28Z)
• HyperSU: Corpus-Driven Semantic-Unit Hypergraph for Retrieval-Augmented Generation [5.684949359748965]
  HyperSUは、意味単位のハイパーエッジとヒント誘導による双方向検索を備えた、新しいハイパーグラフベースのRAGフレームワークである。 実験によると、HyperSUは標準、グラフベース、ハイパーグラフベースのRAGベースラインよりも解の精度を一貫して改善している。
  論文  参考訳（メタデータ） (2026-06-03T14:59:47Z)
• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• HyperRAG: Reasoning N-ary Facts over Hypergraphs for Retrieval Augmented Generation [22.189132611244105]
  HyperRAGは、n-aryハイパーグラフに適したRAGフレームワークである。 クエリ条件付きリレーショナルチェインを構築するため、n-ary事実に対する構造意味推論を学ぶ。 MRRでは平均2.95%、Hits@10では1.23%、全体の回答精度は最高である。
  論文  参考訳（メタデータ） (2026-02-16T05:15:55Z)
• Cog-RAG: Cognitive-Inspired Dual-Hypergraph with Theme Alignment Retrieval-Augmented Generation [43.737415090081555]
  本稿では,テーマ・アライン・デュアルハイパグラフRAGフレームワークを提案する。テーマ・アライン・デュアルハイパグラフ(Cog-RAG)は,テーマ・ハイパーグラフを用いて,チャンク間セマンティック構造とエンティティ・ハイパーグラフをキャプチャし,高階意味関係をモデル化する。 実験の結果,Cog-RAGは既存の最先端のベースラインアプローチを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-11-17T10:10:33Z)
• Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering [49.43814054718318]
  マルチホップ質問応答 (MHQA) は、正しい回答を得るために複数の経路に散在する知識を統合する必要がある。 従来の検索拡張生成法(RAG)は主に粗い粒度のテキスト意味的類似性に焦点を当てている。 本稿では,HGRAG for MHQAという新しいRAG手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T06:36:13Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Learning Multi-Granular Hypergraphs for Video-Based Person Re-Identification [110.52328716130022]
  ビデオベースの人物識別(re-ID)はコンピュータビジョンにおいて重要な研究課題である。 MGH(Multi-Granular Hypergraph)という新しいグラフベースのフレームワークを提案する。 MARSの90.0%のトップ-1精度はMGHを用いて達成され、最先端のスキームよりも優れていた。
  論文  参考訳（メタデータ） (2021-04-30T11:20:02Z)

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。