論文の概要: Better Nearest Neighbor Graph Indices via (Efficient) LLM-Guided Pruning

• arxiv url: http://arxiv.org/abs/2609.36359v1
• Date: Mon, 28 Sep 2026 22:47:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.046977
• Title: Better Nearest Neighbor Graph Indices via (Efficient) LLM-Guided Pruning
• Title（参考訳）: LLM-Guided Pruningによる(効率的な)近接グラフインデックスの改良
• Abstract要約: グラフベースニアニアサーチ(ANNS)は大規模セマンティックサーチに広く利用されている。 検索した結果とクエリのセマンティックな関連性に基づいて性能を評価する。 これにより、インデックスの構築方法と、検索結果の評価方法との間には、基本的な「幾何学的」なミスマッチが生じる。
• 参考スコア（独自算出の注目度）: 12.287009636183562
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based approximate nearest neighbor search (ANNS) is widely used for large-scale semantic search. Its indices are constructed primarily based on geometric relationships among embeddings of an input dataset (e.g., documents or images), rather than explicitly optimizing for semantic relevance. However, when using these indices for downstream query retrieval, performance is evaluated based on the semantic relevance of the retrieved results to the query. This creates a fundamental "geometry-semantic" mismatch between how the indices are constructed and how their retrieval results are evaluated. While existing LLM-based reranking methods can partially mitigate this mismatch at query time, they leave this underlying structural problem in the graph unresolved. We therefore propose LLM-Guided Graph Pruning (LGP), a general framework that addresses this mismatch directly by leveraging LLM reasoning to refine an existing ANN graph index itself. LGP identifies structurally "low-value" neighbors of nodes and replaces them with LLM-selected alternatives that provide useful semantic information while retaining desired geometric structures of the original graph, including sparsity and efficient navigability. Experiments on representative semantic retrieval benchmarks show that LGP consistently improves end-to-end retrieval performance over both vanilla greedy graph search and LLM-based reranking across widely used graph-based ANN indices such as DiskANN and HNSW.
• Abstract（参考訳）: グラフベースニアニアサーチ(ANNS)は大規模セマンティックサーチに広く利用されている。 その指標は主に、意味的関連性を明示的に最適化するのではなく、入力データセット(例えば、文書や画像)の埋め込み間の幾何学的関係に基づいて構築される。 しかし、これらの指標をダウンストリームクエリ検索に使用する場合、検索した結果とクエリのセマンティックな関連性に基づいて性能を評価する。 これにより、インデックスの構築方法と、検索結果の評価方法との間には、基本的な「幾何学的」なミスマッチが生じる。 既存のLLMベースのリグレード法は、クエリ時にこのミスマッチを部分的に軽減することができるが、基礎となる構造問題は未解決のグラフに残されている。 そこで我々は, LLM推論を利用して既存の ANN グラフインデックス自体を洗練することにより, このミスマッチに対処する汎用フレームワーク LLM-Guided Graph Pruning (LGP) を提案する。 LGPは、構造的に「低値」なノードの近傍を識別し、それらをLLM選択の代替品に置き換える。 代表的セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・ベンチマークの実験により、LGPは、Vanilla greedy graph search と LLM-based re ranking の両方に対して、DiskANN や HNSW などの広く使われているグラフベースの ANN インデックスに対して、一貫したエンドツーエンドの検索性能を向上させることが示された。

関連論文リスト

• Rethinking Message Passing as Retrieval for Text-Attributed Graph Learning [63.602658976990874]
  グラフニューラルネットワーク(GNN)は通常、メッセージパッシングニューラルネットワークとして概念化されている。 本稿では,GNNの検索拡張ビューについて述べる。各レイヤは,検索したグラフコンテキストの置換インサマリとともに,ノード表現に変分を適用して予測を行う。 この観点から、構造的メッセージパッシングをラベル認識検索と伝搬に置き換えるシンプルな集約ベースのフレームワークであるRTAを提案する。
  論文  参考訳（メタデータ） (2026-08-27T07:25:44Z)
• GARDRec: Decision-Level Graph Grounding for Large Language Model Recommendation [19.913416708367503]
  グラフグラウンド適応推論および決定対応推薦フレームワークであるemphGARDRecを提案する。 GARDRecは、テキストノードの特徴とグラフの伝搬から意味-構造的項目表現を構築する。 実験により、GARDRecは一般的に代表ベースラインよりも候補レベルのパフォーマンスを改善することが示された。
  論文  参考訳（メタデータ） (2026-08-01T13:44:04Z)
• 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)
• SpIDER: Spatially Informed Dense Embedding Retrieval for Software Issue Localization [6.098008057625392]
  エージェントアプローチは一般的に、BM25のようなスパース検索手法や、関連するユニットを特定するための密着型埋め込み戦略を用いる。 本研究では,LLMに基づく補助的文脈に基づく推論を組み込んだ高密度検索手法であるSpIDERを提案する。 実験結果から,SpIDERは複数のプログラミング言語間の密集検索性能を一貫して向上することが示された。
  論文  参考訳（メタデータ） (2025-12-18T01:32:25Z)
• DAG-Math: Graph-Guided Mathematical Reasoning in LLMs [54.231935013127206]
  大型言語モデル (LLM) は, CoT (Chain-of-Thought) による数学的問題に対して高い性能を示す 我々は、有向非巡回グラフ(DAG)上の一定の規則に基づくプロセスとしてCoTをモデル化することを提案する。 ここでは,モデルのCoT軌道がDAG構造にどの程度よく依存するかを定量化する計量である論理的近接性を導入する。
  論文  参考訳（メタデータ） (2025-10-19T21:05:17Z)
• Search-on-Graph: Iterative Informed Navigation for Large Language Model Reasoning on Knowledge Graphs [26.0585592684229]
  大規模言語モデル(LLM)は、知識集約型マルチホップ質問では信頼性が保たれていない印象的な推論能力を示している。 本稿では,LLMの反復的なグラフナビゲーションを実現するための,シンプルかつ効果的なフレームワークである検索オングラフ(SoG)を提案する。 Wikidataベンチマーク(以前のベストメソッドよりも+16%改善)とFreebaseベンチマークの一貫性のある改善は特に顕著です。
  論文  参考訳（メタデータ） (2025-10-09T21:20:16Z)
• 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)
• Empowering Graph-based Approximate Nearest Neighbor Search with Adaptive Awareness Capabilities [19.352675865525395]
  本稿では,Adaptive Topology とQuery AwarEness を用いた GATE, High-tier Near Graph を提案する。 Gateは、最先端のグラフベースのインデックスと比較して、クエリパフォーマンスの1.2-2.0倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-06-19T03:07:12Z)
• 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)
• PathRAG: Pruning Graph-based Retrieval Augmented Generation with Relational Paths [42.01377074786958]
  Retrieval-augmented Generation (RAG)は、外部データベースから知識を取得することで、大規模言語モデル(LLM)の応答品質を改善する。 本稿では、インデックス化グラフから重要な関係経路を検索し、これらの経路をテキスト形式に変換してLLMを誘導するPathRAGを提案する。 PathRAGは、6つのデータセットと5つの評価次元で、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-02-18T11:18:55Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)

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。