論文の概要: HyperReCo: Retrieving and Connecting Evidence with Hypergraph Neural Networks for LLM Multi-hop Reasoning
- arxiv url: http://arxiv.org/abs/2609.32327v1
- Date: Sat, 26 Sep 2026 07:43:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 17:45:32.169562
- Title: HyperReCo: Retrieving and Connecting Evidence with Hypergraph Neural Networks for LLM Multi-hop Reasoning
- Title（参考訳）: HyperReCo: LLMマルチホップ推論のためのハイパーグラフニューラルネットワークによるエビデンス検索と接続
- Abstract要約: ハイパーグラフニューラルネットワーク(HyperGNN)による証拠の検索と接続のためのフレームワークを提案する。
我々は、各ドキュメントを抽出されたエンティティ上のハイパーエッジとして表現し、共有エンティティがハイパーエッジを接続する。
文書やエンティティを共同で監督するハイパーグラフメッセージパッシングを通じて、HyperGNNはクエリ依存のインタラクションを学び、補完的な証拠を取得する。
- 参考スコア（独自算出の注目度）: 55.94262317823072
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) have shown strong capabilities, with retrieval-augmented generation (RAG) supporting complex multi-hop reasoning by retrieving evidence distributed across documents. Graph-based approaches exploit connections among evidence, and hypergraph-based retrieval further preserves higher-order entity associations within documents and connects documents through shared entities. However, existing hypergraph retrievers often rely on predefined structural expansion or diffusion, which may miss query-dependent interactions needed to identify relevant evidence. They also leave connections among retrieved evidence implicit, requiring LLMs to reconstruct these connections before reasoning. Therefore, we propose HyperReCo, a framework for retrieving and connecting evidence with a hypergraph neural network (HyperGNN). We represent each document as a hyperedge over its extracted entities, with shared entities connecting the hyperedges. Through hypergraph message passing with joint supervision over documents and entities, the HyperGNN learns query-dependent interactions to retrieve complementary evidence. We further introduce Gradient-Guided Hyper-Path Decoding (GGHD), which uses gradient attribution to interpret the learned interactions and translate them into explicit hyper-paths that help LLMs combine complementary facts for multi-hop reasoning. Experiments on six benchmarks show that HyperReCo achieves the best retrieval performance among the compared methods on all three multi-hop QA datasets, together with strong downstream QA performance. Case studies and further analyses demonstrate the utility of decoded hyper-paths for connecting retrieved evidence.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、ドキュメントに分散した証拠を検索することによって、複雑なマルチホップ推論をサポートする検索拡張世代(RAG)という強力な能力を示している。
グラフベースのアプローチはエビデンス間の接続を利用しており、ハイパーグラフベースの検索はドキュメント内の高階エンティティ関連をさらに保存し、共有エンティティを通じてドキュメントを接続する。
しかし、既存のハイパーグラフレトリバーは、しばしば事前に定義された構造拡張や拡散に依存しており、関連する証拠を特定するのに必要なクエリ依存の相互作用を見逃してしまうことがある。
彼らはまた、回収された証拠間の接続を暗黙に残し、LSMは推論する前にこれらの接続を再構築する必要がある。
そこで我々は,ハイパーグラフニューラルネットワーク(HyperGNN)による証拠の検索と接続を行うHyperReCoを提案する。
我々は、各ドキュメントを抽出されたエンティティ上のハイパーエッジとして表現し、共有エンティティがハイパーエッジを接続する。
文書やエンティティを共同で監督するハイパーグラフメッセージパッシングを通じて、HyperGNNはクエリ依存のインタラクションを学び、補完的な証拠を取得する。
さらに、グラディエントガイドによるハイパーパスデコーディング(GGHD)を導入し、グラディエント属性を用いて、学習した相互作用を解釈し、それらを明示的なハイパーパスに変換し、マルチホップ推論のための補完的な事実を組み合わせるのに役立つ。
6つのベンチマークでの実験では、HyperReCoは3つのマルチホップQAデータセットを比較した方法の中で、強力な下流QAパフォーマンスとともに、最高の検索性能を達成している。
ケーススタディおよびさらなる分析は、抽出された証拠を接続するためのデコードされたハイパーパスの有用性を実証する。
関連論文リスト
- ConRAG: Lightweight inference of multi-hop relations [12.7653500365035]
本稿では、エンティティ共起とLCMに基づくエンティティフィルタリングから軽量なエンティティ文書グラフを構築するConRAGを紹介する。
MuSiQueと2WikiMultiHopQAでは、ConRAGは強力なRAGベースライン上でブリッジエンティティとチェーンリカバリを継続的に改善する。
以上の結果から, 終端拘束経路の探索は, 証拠地下関係探索に有効かつ指標効率の高い手法であることがわかった。
論文 参考訳（メタデータ） (2026-09-28T13:54:42Z) - HyCE-RAG: Hypergraph Chain-of-Evidence Retrieval-Augmented Generation for Explainable Multi-hop Question Answering [16.576593583698024]
マルチホップ質問応答には、複数の文書から証拠を取得し、散在した事実を一貫性のある推論プロセスに接続するシステムが必要である。
標準検索拡張生成(RAG)は主にクエリとテキストチャンク間の意味的類似性に依存する。
説明可能なマルチホップ質問応答のためのハイパーグラフ・チェーン・オブ・エビデンス・レトリーバル・Augmented GenerationフレームワークであるHyCE-RAGを提案する。
論文 参考訳（メタデータ） (2026-06-12T08:28:42Z) - 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) - Hypergraph as Language [49.35033483821496]
大規模言語モデルのためのハイパーグラフネイティブアライメントフレームワークを提案する。
ハイパーグラフ構造の場合、既存のメソッドは複数のオブジェクトが同じ高次関係で結合されているというネイティブセマンティクスを保存するのに失敗することが多い。
また,Hyper-Alignはドメイン内およびゼロショット評価において,既存手法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2026-05-21T01:09:48Z) - 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) - Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。
4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
論文 参考訳（メタデータ） (2026-01-23T05:41:05Z) - RouteRAG: Efficient Retrieval-Augmented Generation from Text and Graph via Reinforcement Learning [69.87510139069218]
Retrieval-Augmented Generation (RAG)は、非パラメトリック知識をLarge Language Models (LLM)に統合する
強化学習(RL)による多ターン推論へのテキストベースRAGの進歩
LLMがマルチターンおよび適応的なグラフテキストハイブリッドRAGを実現するためのRLベースのフレームワークであるモデルを導入する。
論文 参考訳（メタデータ） (2025-12-10T10:05:31Z) - 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) - 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) - Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。
革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。
属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。
階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
論文 参考訳（メタデータ） (2025-05-20T06:44:34Z)
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。