論文の概要: EvLink: Source-Grounded Evidence Linking for Graph RAG

• arxiv url: http://arxiv.org/abs/2609.29695v1
• Date: Mon, 31 Aug 2026 08:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.112009
• Title: EvLink: Source-Grounded Evidence Linking for Graph RAG
• Title（参考訳）: EvLink: Graph RAGのためのオープンソースのエビデンスリンク
• Abstract要約: EvLinkは、パスを検索可能なエビデンス単位として保存し、それらの間のエビデンスをサポートするトランジションを構築する。 EvLinkは、GraphRAGベースラインを平均2.4 R@5、1.9 EM、2.4 F1で上回っている。
• 参考スコア（独自算出の注目度）: 2.2520512441959775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based Retrieval-Augmented Generation (GraphRAG) supports multi-hop reasoning by organizing corpora into structured graphs. However, graph reachability often captures semantic association rather than evidence support, so a reachable passage may still fail to justify a required cross-passage transition. We propose EvLink, an evidence-linking retriever that preserves passages as retrievable evidence units and builds evidence-supported transitions between them. EvLink constructs two types of reliable links: relation-grounded evidence links justified by explicit source relations, and endpoint-alignment links serving as sourcebounded fallbacks. For retrieval, we introduce a two-stage retrieval strategy. First, bounded breadth-first search over source-grounded evidence links recovers bridge passages missed by similarity-based methods. Then, evidenceneed mining with noisy-OR coverage refinement selects a compact, non-redundant evidence set satisfying distinct question facets. Experiments on three multi-hop and two simple QA benchmarks show EvLink consistently outperforms leading GraphRAG baselines with average gains of 2.4 R@5, 1.9 EM, and 2.4 F1
• Abstract（参考訳）: グラフベースのRetrieval-Augmented Generation (GraphRAG)は、コーパスを構造化グラフに整理することで、マルチホップ推論をサポートする。 しかし、グラフの到達可能性はしばしばエビデンスサポートではなくセマンティックアソシエーションをキャプチャするので、到達可能なパスは必要なクロスパス遷移を正当化することができない。 提案するエビデンスリンクは,エビデンスを検索可能なエビデンス単位として保存し,エビデンスをサポートするトランジションを構築するエビデンスリンクである。 EvLinkは、明示的なソース関係によって正当化される関係的根拠付きリンクと、ソースバウンドのフォールバックとして機能するエンドポイントアライメントリンクの2つのタイプの信頼性のあるリンクを構築している。 検索には,2段階の検索戦略を導入する。 第1に、ソースグラウンドドエビデンスリンクに対する有界な第1探索は、類似性に基づく手法で欠落した橋梁の経路を復元する。 そして、ノイズやカバレッジの洗練を伴うエビデンスマイニングは、異なる質問面を満たすコンパクトで非冗長なエビデンスを選択する。 3つのマルチホップと2つの単純なQAベンチマークの実験により、EvLinkは、平均ゲイン2.4 R@5、1.9 EM、2.4 F1で、GraphRAGベースラインをリードしている。

関連論文リスト

• Navigating Sparse Evidence: Agentic Visual RAG via Explicit Context Selection and Consolidation [50.92223196290564]
  明示的な証拠選択と統合のための統一エージェントループを提案する。 探索中、SCoREはクエリ関連観測とソースポインタのみを保守されたテキスト台帳に保持する。 終了時には、参照された元のイメージを再ロードし、答えの視覚的証拠を統合し、論理的なシーケンスにアレンジする。
  論文  参考訳（メタデータ） (2026-09-14T16:11:35Z)
• EviReform: Evidence-Guided Query Reformulation for Multi-Hop Graph Retrieval [0.0]
  EviReformは,検索要求の更新と,グラフ内のエビデンスの集約を分離する。 2WikiMultiHopQA、HotpotQA、MuSiQueでは、EviReformは5.59 Recall@5ポイントと4.50 F1ポイントという最強のベースラインを超えた。
  論文  参考訳（メタデータ） (2026-08-13T09:25:39Z)
• 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)
• PathRouter: Aligning Rewards with Retrieval Quality in Agentic Graph Retrieval-Augmented Generation [41.730631759393525]
  エージェントグラフRAGは言語モデルエージェントを反復的に検索し、グラフ構造化された証拠を推論するように訓練する。 エージェントグラフRAGのためのパス認識学習フレームワークPathを提案する。
  論文  参考訳（メタデータ） (2026-06-15T08:48:04Z)
• CodaRAG: Connecting the Dots with Associativity Inspired by Complementary Learning [50.98972985136333]
  CodaRAGは、受動的検索からアクティブな連想発見へと進化するフレームワークである。 CodaRAGは、検索リコールで7-10%、生成精度で3-11%という絶対的なゲインを達成する。
  論文  参考訳（メタデータ） (2026-04-12T02:50:40Z)
• 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)
• Breaking the Static Graph: Context-Aware Traversal for Robust Retrieval-Augmented Generation [12.71443292660797]
  堅牢なRAGのためのコンテキスト認識トラバーサルであるCatRAGを提案する。 CatRAGはHippoRAG 2アーキテクチャ上に構築され、静的なKGをクエリ適応ナビゲーション構造に変換する。 4つのマルチホップベンチマークの実験では、CatRAGはアートベースラインの状態を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-02T11:13:38Z)
• Relink: Constructing Query-Driven Evidence Graph On-the-Fly for GraphRAG [10.60635000782353]
  本稿では,問合せ固有のエビデンスグラフを動的に構築するフレームワークであるRelinkを提案する。 Relinkは、主要なGraphRAGベースラインよりもEMで5.4%、F1で5.2%の大幅な平均改善を実現している。
  論文  参考訳（メタデータ） (2026-01-12T04:35:23Z)
• N2N-GQA: Noise-to-Narrative for Graph-Based Table-Text Question Answering Using LLMs [0.0]
  ハイブリッドテーブルテキストデータに対するマルチホップ質問応答には,大規模コーパスからの複数のエビデンス部分の検索と推論が必要である。 Standard Retrieval-Augmented Generation (RAG) パイプラインは文書をフラットなランクリストとして処理し、検索ノイズがあいまいな推論連鎖を引き起こす。 N2N-GQAは、ノイズの多い検索出力から動的エビデンスグラフを構成する、オープンドメインハイブリッドテーブルテキストQAのための最初のゼロショットフレームワークである。
  論文  参考訳（メタデータ） (2026-01-10T15:55:15Z)
• Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
  Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。 LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
  論文  参考訳（メタデータ） (2025-11-15T02:50:23Z)
• Open-domain Question Answering via Chain of Reasoning over Heterogeneous Knowledge [82.5582220249183]
  異種知識ソース間のシングル/マルチホップ質問に応答する新しいオープンドメイン質問応答(ODQA)フレームワークを提案する。 分離された証拠を収集するためにレトリバーにのみ依存する従来の方法とは異なり、我々の仲介者は検索された集合に対する推論の連鎖を実行する。 本システムは,2つのODQAデータセットであるOTT-QAとNQに対して,Wikipediaの表や節に対する競合性能を実現する。
  論文  参考訳（メタデータ） (2022-10-22T03:21:32Z)

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。