論文の概要: ConRAG: Lightweight inference of multi-hop relations

• arxiv url: http://arxiv.org/abs/2609.35193v1
• Date: Mon, 28 Sep 2026 13:54:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 16:14:12.232706
• Title: ConRAG: Lightweight inference of multi-hop relations
• Title（参考訳）: ConRAG:マルチホップ関係の軽量推論
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.7653500365035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how two entities are connected often requires tracing multi-hop relations across documents to identify intermediate entities and supporting evidence that explain a connection. This is a task that appears frequently in scientific research and other knowledge-intensive analyses. We formalise this setting as multi-hop relation inference: given two known endpoint entities, we aim to recover the bridge entities and evidence-grounded reasoning chains that connect them across a document corpus, and to generate an explanation grounded in the retrieved evidence. Existing multi-hop RAG systems typically seek an unknown answer entity rather than explicitly recovering the connection between two known endpoints and graph-based approaches often rely on costly LLM-extracted knowledge graphs that limit scalability to large document collections. We introduce ConRAG, which builds a lightweight entity-document graph from entity co-occurrence and LLM-based entity filtering. Its connective retrieval infers and semantically ranks paths between two endpoints. On MuSiQue and 2WikiMultiHopQA, ConRAG consistently improves bridge entity and reasoning chain recovery over strong RAG baselines, while reducing graph-indexing token cost by up to roughly 1.5 orders of magnitude. Our results show that endpoint-constrained path retrieval provides an effective and index-efficient approach to evidence-grounded relation discovery.
• Abstract（参考訳）: 2つのエンティティがどのように接続されているかを理解するには、中間エンティティを識別し、接続を説明するエビデンスをサポートするために、ドキュメントをまたいだマルチホップ関係をトレースする必要がある。 これは科学研究やその他の知識集約的な分析に頻繁に現れる課題である。 この設定をマルチホップ関係推論(multi-hop relation inference)として定式化する: 2つの既知のエンドポイントエンティティが与えられた場合、文書コーパスをまたいでそれらを接続するブリッジエンティティとエビデンス基底の推論チェーンを復元し、得られたエビデンスに基礎を置く説明を生成する。 既存のマルチホップRAGシステムは、2つの既知のエンドポイント間の接続を明示的に回復するのではなく、未知の回答エンティティを求めている。 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ドキュメントグラフを構築するConRAGを紹介する。 その接続的検索は、2つのエンドポイント間の経路を推測し、意味的にランク付けする。 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改善しながら、グラフインデックストークンのコストを最大1.5桁削減する。 以上の結果から, 終端拘束経路の探索は, 証拠地下関係の発見に有効かつ指標効率の高い手法であることがわかった。

関連論文リスト

• 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)
• FlowRAG: Synergizing Explicit Reasoning via Frequency-Aware Multi-Granularity Graph Flow [18.283800518966945]
  グラフベースの検索強化生成(GraphRAG)は知識集約型およびマルチホップクエリタスクに有効である。 textttFlowRAGはセマンティック・アウェアな検索フレームワークで、セマンティック・リコールと明示的な推論の両方を改善する。 textttFlowRAGは複雑な推論ベンチマークで最先端のパフォーマンスを得る。
  論文  参考訳（メタデータ） (2026-06-16T12:28:14Z)
• Resolving Evidence Sparsity: Agentic Context Engineering for Long-Document Understanding [49.26132236798123]
  視覚言語モデル(VLM)は、文書理解における主要なアプローチになりつつある。 本稿では,粗いプロセスにおいて,検索者と4つの協調エージェントを編成するマルチエージェントフレームワークSLEUTHを提案する。 このフレームワークは、検索したページ内の重要なテキストおよび視覚的手がかりを特定し、テーブルやチャートなどの健全な視覚的エビデンスをフィルタし、クエリを分析して推論戦略を考案する。
  論文  参考訳（メタデータ） (2025-11-28T03:09:40Z)
• 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)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• LeanRAG: Knowledge-Graph-Based Generation with Semantic Aggregation and Hierarchical Retrieval [10.566901995776025]
  LeanRAGは知識集約と検索戦略を組み合わせたフレームワークです。 グラフ上のパス検索に関連するかなりのオーバーヘッドを軽減し、冗長な情報検索を最小限にする。
  論文  参考訳（メタデータ） (2025-08-14T06:47:18Z)
• 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)
• Generative Retrieval Meets Multi-Graded Relevance [104.75244721442756]
  GRADed Generative Retrieval (GR$2$)というフレームワークを紹介します。 GR$2$は2つの重要なコンポーネントに焦点を当てている。 マルチグレードとバイナリの関連性を持つデータセットの実験は,GR$2$の有効性を示した。
  論文  参考訳（メタデータ） (2024-09-27T02:55:53Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)

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。