論文の概要: Corpus-Guided Dual-Path Propagation for Graph Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2609.37661v1
• Date: Tue, 29 Sep 2026 14:20:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.617372
• Title: Corpus-Guided Dual-Path Propagation for Graph Retrieval-Augmented Generation
• Title（参考訳）: グラフ検索拡張生成のためのコーパスガイド型デュアルパスプロパゲーション
• Abstract要約: 関係のないTri-Graphを強化するために,NexusRAGと呼ばれるシンプルで効果的な手法を提案する。 3つのマルチホップQAベンチマークとGraphRAG-Benchのドメイン固有のサブセットの実験は、NexusRAGが既存のアプローチを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 7.639781363951024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based retrieval-augmented generation supports multi-hop retrieval by organizing corpus information into graphs. However, existing relation-free graph retrieval methods rely primarily on query-sentence similarity to search for evidence. This can exclude useful bridging evidence with low query similarity and activate incidental entities unrelated to the reasoning chain. In this paper, we propose a simple and effective approach called NexusRAG, which augments the relation-free Tri-Graph with a corpus-level entity neighborhood structure derived from joint entity co-occurrence and semantic similarity. NexusRAG employs this structure to guide two complementary propagation paths: neighborhood-constrained semantic propagation through sentences identifies the query-relevant entity frontier, while direct structural propagation between neighboring entities expands that frontier to structurally related entities. The propagated entity weights also inform neighborhood-aware passage initialization for Personalized PageRank. Experiments on three multi-hop QA benchmarks and a domain-specific subset of GraphRAG-Bench show that NexusRAG consistently outperforms existing approaches. On the GraphRAG-Bench subset, NexusRAG achieves the highest evidence recall in all question categories, exceeding baselines by 4.2-8.1 points. The implementation code is available at https://github.com/Jacob-biu/NexusRAG.
• Abstract（参考訳）: グラフベースの検索拡張生成は、コーパス情報をグラフに整理することで、マルチホップ検索をサポートする。 しかし、既存の関係のないグラフ検索法は、主に証拠を探すためにクエリと文の類似性に依存している。 これにより、クエリの類似性が低い有用なブリッジングエビデンスを排除し、推論チェーンとは無関係なインシデントエンティティを起動することができる。 本稿では,関係のないTri-Graphを結合エンティティ共起とセマンティック類似性から導出したコーパスレベルのエンティティ近傍構造で拡張する,NexusRAGと呼ばれるシンプルで効果的なアプローチを提案する。 NexusRAGは2つの相補的伝播経路を導くためにこの構造を用いる: 文を通しての近傍制約付きセマンティック伝搬はクエリ関連エンティティフロンティアを識別し、一方、隣接するエンティティ間の直接構造的伝播はフロンティアを構造関連エンティティに拡張する。 伝播するエンティティウェイトは、パーソナライズされたPageRankの近所のパスの初期化を通知する。 3つのマルチホップQAベンチマークとGraphRAG-Benchのドメイン固有のサブセットの実験は、NexusRAGが既存のアプローチを一貫して上回っていることを示している。 GraphRAG-Benchサブセットでは、NexusRAGはすべての質問カテゴリで最も高いエビデンスリコールを達成し、ベースラインを4.2-8.1ポイント以上越えている。 実装コードはhttps://github.com/Jacob-biu/NexusRAGで公開されている。

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)
• Query-Aware Flow Diffusion for Graph-Based RAG with Retrieval Guarantees [10.806910118253976]
  グラフベースのRetrieval-Augmented Generation (RAG)システムは複雑な関係を捉えるために相互接続された知識構造を利用する。 本稿では,各クエリの全体的意味論にグラフトラバーサルを動的に適用する学習自由フレームワークであるQuery-Aware Flow Diffusion RAG (QAFD-RAG)を提案する。 QAFD-RAGは、弱い信号対雑音条件下で、高い確率で関連部分グラフを復元する。
  論文  参考訳（メタデータ） (2026-04-21T08:53:34Z)
• EHRAG: Bridging Semantic Gaps in Lightweight GraphRAG via Hybrid Hypergraph Construction and Retrieval [18.623178248262032]
  本稿では,構造レベルと意味レベルの関係を捉えるハイパーグラフを構築する軽量なRAGフレームワーク EHRAGを提案する。 EHRAGは、トピック対応スコアリングとパーソナライズされたページランク(PPR)リファインメントを備えた構造-セマンティックハイブリッド拡散を行う。 EHRAGは、線形インデックス化の複雑さとトークン消費のゼロを維持しながら、最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-04-19T14:18:49Z)
• Retrieving Minimal and Sufficient Reasoning Subgraphs with Graph Foundation Models for Path-aware GraphRAG [27.22974957852695]
  グラフベースの検索強化生成(GraphRAG)は、構造化知識を利用して知識集約推論を支援する。 本稿では,事前学習したグラフファウンデーションモデルがクロスドメインレトリバーとして機能するサブグラフを用いて,ユーザクエリに直接応答するGCM-Retrieverを提案する。 GFM-Retrieverは、効率を保ちながら、検索品質と回答生成の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-03-07T12:39:21Z)
• 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)
• 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)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• 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)
• 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)
• SiReRAG: Indexing Similar and Related Information for Multihop Reasoning [96.60045548116584]
  SiReRAGは、類似情報と関連する情報の両方を明示的に考慮する新しいRAGインデックス方式である。 SiReRAGは、3つのマルチホップデータセットの最先端インデックス手法を一貫して上回る。
  論文  参考訳（メタデータ） (2024-12-09T04:56:43Z)

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。