論文の概要: Graph Topology Meets Energy-Driven Pathfinding: Preserving Contextual Consistency in Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2610.29933v1
• Date: Wed, 21 Oct 2026 16:05:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.39999
• Title: Graph Topology Meets Energy-Driven Pathfinding: Preserving Contextual Consistency in Retrieval-Augmented Generation
• Title（参考訳）: エネルギー駆動型パスフィニングとグラフトポロジ
• Abstract要約: ThreadRAGは文脈保存型知識構造化とモダリティネイティブな証拠推論のための意味論的トポロジに基づくRAGフレームワークである。 検索した文書を文脈的に意味のあるセマンティックノードに整理し、物語、意味、語彙のエッジを通じてセマンティックトポロジーグラフ(STG)を構築する。 3つのマルチホップQAベンチマークの実験は、ThreadRAGが強いベースライン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）: 14.078676490207732
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) frequently integrates knowledge graphs (KGs) for complex multi-hop question answering. However, their performance is increasingly bottlenecked by the knowledge structuring and reasoning processes. (i) Severe semantic loss: Distilling continuous texts into discrete symbols strips away contextual nuances and narrative coherence. (ii) Pronounced modality mismatch: Fragmented graph structures clash with the continuous texts LLMs are pre-trained on, while rewriting them into natural language introduces generative noise and omits information. To address these limitations, we propose ThreadRAG, a semantic-topology-based RAG framework for context-preserving knowledge structuring and modality-native evidence reasoning. ThreadRAG introduces a Semantic Topology Mapper (STM), which organizes retrieved documents into context-intact Semantic Nodes and constructs a Semantic Topology Graph (STG) through narrative, semantic, and lexical edges. It further incorporates Energy-Driven Pathfinding (EDP), which identifies query-relevant subgraphs via energy diffusion and deterministically linearizes them into coherent textual evidence paths. Experiments on three multi-hop QA benchmarks demonstrate that ThreadRAG consistently outperforms strong baselines. Notably, it achieves a 14.4% EM improvement over text-centric methods on HotpotQA and surpasses the best baseline by 5.8% EM on 2WikiMultihop, while reducing token cost to 23.3% of the strongest baseline.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) は、複雑なマルチホップ質問応答のための知識グラフ(KG)を頻繁に統合する。 しかしながら、彼らのパフォーマンスは、知識構造化と推論プロセスによってますますボトルネックになっている。 (i)意味喪失:連続したテキストを個別のシンボルに蒸留することで、文脈的ニュアンスや物語的コヒーレンスを取り除く。 (ii) 予測モダリティミスマッチ: フラグメンテッドグラフ構造は連続したテキストと衝突し, LLMは事前学習される一方で, 生成ノイズを導入し, 情報の省略を行う。 これらの制約に対処するために,文脈保存型知識構造化とモダリティネイティブなエビデンス推論のための意味論的トポロジに基づくRAGフレームワークThreadRAGを提案する。 ThreadRAGはセマンティックトポロジマップ(STM)を導入し、検索した文書をコンテキスト不変のセマンティックノードに整理し、ナラティブ、セマンティック、レキシカルエッジを通じてセマンティックトポロジグラフ(STG)を構築する。 さらにEnergy-Driven Pathfinding (EDP)が組み込まれており、エネルギー拡散を通じてクエリ関連部分グラフを識別し、決定論的にそれらをコヒーレントなテキストエビデンスパスに線形化する。 3つのマルチホップQAベンチマークの実験は、ThreadRAGが強いベースラインを一貫して上回っていることを示している。 特に、HotpotQAではテキスト中心のメソッドよりも14.4%のEM改善を実現し、2WikiMultihopでは5.8%のEMを達成し、トークンコストを23.3%に削減した。

関連論文リスト

• Text-Graph Synergy: A Bidirectional Verification and Completion Framework for RAG [0.46040036610482654]
  RAGは、大規模言語モデルにおける事実的根拠付けとマルチホップ推論を強化するための中核的なパラダイムである。 textbfText-textbfGraph textbfSynergistic enhancementのための統合フレームワークである textbfTGS-RAG を提案する。
  論文  参考訳（メタデータ） (2026-05-07T03:49:37Z)
• MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries [2.756584457554517]
  Map-Disambiguate-Enrich-Reduce (MDER)はコンテキスト由来の3重記述を生成し、エンティティレベルの要約と統合する。 Decompose-Resolve (DR)は、ユーザクエリを解決可能なトリプルに分解し、知識グラフに格納する。 MDERとDRはLLM駆動のQAパイプラインを形成し、スパース、不完全、複雑なリレーショナルデータに対して堅牢である。
  論文  参考訳（メタデータ） (2026-03-11T18:38:44Z)
• TaSR-RAG: Taxonomy-guided Structured Reasoning for Retrieval-Augmented Generation [17.21708416305234]
  textscTaSR-RAGは、エビデンス選択のための分類誘導構造推論フレームワークである。 textscTaSR-RAGは、強いRAGと構造化RAGベースラインを最大14%上回っている。
  論文  参考訳（メタデータ） (2026-03-10T08:16:36Z)
• 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)
• 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)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• GRAG: Graph Retrieval-Augmented Generation [14.98084919101233]
  Graph Retrieval-Augmented Generation (GRAG)は、テキストサブグラフを取得する際の根本的な課題に取り組む。 本稿では,線形時間で最適な部分グラフ構造を検索する新たな分割・対数戦略を提案する。 グラフ推論ベンチマーク実験により, GRAG法が現在のRAG法より大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-26T10:11:40Z)
• MURMUR: Modular Multi-Step Reasoning for Semi-Structured Data-to-Text Generation [102.20036684996248]
  多段階推論を用いた半構造化データからテキストを生成するための,ニューロシンボリックなモジュラーアプローチであるMURMURを提案する。 WebNLG や LogicNLG のような2つのデータ・テキスト生成タスクについて実験を行った。
  論文  参考訳（メタデータ） (2022-12-16T17:36:23Z)

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。