論文の概要: Graph-free Retrieval with Graph-Modified Embeddings

• arxiv url: http://arxiv.org/abs/2610.18410v1
• Date: Tue, 13 Oct 2026 13:51:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.623057
• Title: Graph-free Retrieval with Graph-Modified Embeddings
• Title（参考訳）: グラフ修飾埋め込みを用いたグラフフリー検索
• Abstract要約: 5つのオフライングラフベースの埋め込み変換と、結果のグラフ修飾埋め込みと、元のグラフとの併用戦略を比較した。 完全なサポートエビデンスセットを持つ合成プロネットワークベンチマークでは、元の埋め込みを直接置き換えることによって、証拠の回収が減少する。 多段階戦略は、グラフ修飾埋め込みを用いて検索をガイドし、原文を意味的関連性に保ち、回復を改善する。
• 参考スコア（独自算出の注目度）: 0.5898266424967378
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Dense vector retrieval can miss evidence connected through intermediate entities, while direct graph retrieval requires access to the graph at query time. We compare five offline graph-based embedding transformations and strategies for using the resulting graph-modified embeddings alongside the originals, without query-time graph access. On a synthetic professional-network benchmark with complete supporting-evidence sets, direct replacement of the original embeddings reduces evidence recovery. Multi-stage strategies improve recovery by using graph-modified embeddings to guide the search while retaining the originals for semantic relevance. On questions requiring linked facts or comparisons among candidates, the strongest configuration improves recovery by up to 25.9% relative to plain vector retrieval. It also matches baseline recovery with 40% fewer returned nodes. Controls confirm that graph information contributes beyond multi-stage retrieval alone. Across the tested methods, retrieval performance depends more on how graph-modified embeddings are used than on how they are produced.
• Abstract（参考訳）: デンスベクトル検索は中間エンティティを介して接続されたエビデンスを見逃しかねないが、直接グラフ検索はクエリ時にグラフにアクセスする必要がある。 5つのオフライングラフベースの埋め込み変換と、結果のグラフ修飾埋め込みを、クエリ時間グラフアクセスなしで、オリジナルと並行して使用するための戦略を比較した。 完全なサポートエビデンスセットを持つ合成プロネットワークベンチマークでは、元の埋め込みを直接置き換えることにより、証拠の回収が減少する。 多段階戦略は、グラフ修飾埋め込みを用いて検索をガイドし、原文を意味的関連性に保ち、回復を改善する。 候補間の関連事実や比較を必要とする質問に対して、最も強い構成は、通常のベクトル検索と比較して25.9%のリカバリを改善する。 また、ベースラインリカバリと一致し、返却ノードは40%減少する。 制御は、グラフ情報が多段階検索以外にも寄与することを確認する。 テスト手法全体にわたって、検索性能はグラフ修飾埋め込みがどのように使用されるかよりも、どのように生成されるかに大きく依存する。

関連論文リスト

• 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)
• VeriGraph: Towards Verifiable Data-Analytic Agents [71.17693022916896]
  LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、その出力は滅多に検証されていない。 We propose VeriGraph, a traceable neuro-symbolic reasoning framework that agent can construct an explicit heterogeneous evidence directed acyclic graph。 以上の結果から,明示的なエビデンスグラフ構築がデータ分析エージェントの検証に期待できる道のりであることが示唆された。
  論文  参考訳（メタデータ） (2026-06-15T11:50:56Z)
• ColGraphRAG: Late-Interaction Evidence Retrieval for Multimodal GraphRAG [0.0]
  グラフリンク画像ノード上での視覚的候補ランク演算子を、ColBERT/ColPali系における遅延相互作用MaxSimスタイルのマルチベクトルスコアに置き換えることを評価する。 MultimodalQAでは、この変更は、グラフリンクされた画像候補と下流QAゲインの検索ステージ点推定の改善に関連している。
  論文  参考訳（メタデータ） (2026-05-09T08:30:18Z)
• GraphReAct: Reasoning and Acting for Multi-step Graph Inference [49.26607058250454]
  GraphReActは、グラフ構造化データに対するステップバイステップの推論を可能にするグラフ推論実行フレームワークである。 検索と精細化の両方で推論をインターリーブすることで、我々のフレームワークは文脈拡張から圧縮への進歩的な移行を可能にします。
  論文  参考訳（メタデータ） (2026-05-08T07:09:42Z)
• GraphER: An Efficient Graph-Based Enrichment and Reranking Method for Retrieval-Augmented Generation [47.014599006114594]
  GraphERはグラフベースのエンリッチメントとリグレードメソッドで、セマンティックな類似性を超えた、複数の形式の近接をキャプチャする。 知識グラフを必要としないため、GraphERは標準的なベクトルストアとシームレスに統合できる。 複数のベンチマーク実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-03-26T01:30:22Z)
• On Listwise Reranking for Corpus Feedback [36.86339353322285]
  リストワイド・リランカログから文書グラフを暗黙的に誘導する新しいフレームワークであるL2Gを紹介する。 リランカ信号をグラフ構造に変換することで、L2Gは明示的なグラフ計算のオーバーヘッドなくスケーラブルなグラフベースの検索を可能にする。
  論文  参考訳（メタデータ） (2025-10-01T13:34:02Z)
• GraphRunner: A Multi-Stage Framework for Efficient and Accurate Graph-Based Retrieval [3.792463570467098]
  GraphRunnerは、新しいグラフベースの検索フレームワークで、計画、検証、実行の3つの異なる段階で動作する。 推論エラーを著しく低減し、実行前に幻覚を検出する。 GRBenchデータセットによる評価は、GraphRunner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。
  論文  参考訳（メタデータ） (2025-07-11T18:10:01Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)

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。