論文の概要: Getting a GRIP on Graph-Based Search for Learned Sparse Retrieval

• arxiv url: http://arxiv.org/abs/2610.30425v1
• Date: Wed, 21 Oct 2026 20:33:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.13086
• Title: Getting a GRIP on Graph-Based Search for Learned Sparse Retrieval
• Title（参考訳）: 学習したスパース検索のためのグラフベース検索におけるGRIP
• Abstract要約: グラフに基づく近似近傍探索は,学習されたスパース検索において,逆インデックスよりも優れていることを示す。 グラフベースのLSRを高速化する3つの手法として、項ベースのエントリポイントシード、スパーススケッチによる近似ルーティング、スパースパーティションベースのグラフ構築を提案する。 この結果から,学習したスパース検索を展開するための逆インデックスの既定選択を問うことができた。
• 参考スコア（独自算出の注目度）: 13.847435922248394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned sparse retrieval (LSR) has recently gained traction in the information retrieval community for the ability to combine the generalization capabilities of neural representations with the interpretability of keyword-based search. A number of recent works have demonstrated that inverted indexes, when appropriately modified for learned sparse embeddings, achieve state-of-the-art recall-latency tradeoffs for LSR, often outperforming graph-based indexes by substantial margins in latency at a fixed recall target. As a result, the community has generally concluded that graph-based approximate nearest neighbor (ANN) search is inferior to inverted indexes for LSR. This paper challenges this conventional wisdom. Our key insight is that, while applying standard graph-based ANN indexes out-of-the-box to sparse vectors leads to uncompetitive performance, we can overcome these shortcomings by infusing the strengths of inverted indexes into graph-based search. In particular, we introduce three techniques to accelerate graph-based LSR: (i) term-based entry point seeding, (ii) approximate routing via sparse sketching, and (iii) sparse partition-based graph construction. We combine these techniques into a new graph-based ANN system for LSR we call GRIP. On the MS MARCO v2 benchmark (138M passages) with SPLADE embeddings, GRIP achieves a $2.5\times$ latency improvement over Seismic, a state-of-the-art inverted index tailored for LSR, at 95\% recall@10. Ultimately, our results call into question the default choice of inverted indexes for deploying learned sparse retrieval.
• Abstract（参考訳）: 学習スパース検索(LSR)は近年,ニューラル表現の一般化能力とキーワードベースの検索の解釈可能性を組み合わせる能力として,情報検索コミュニティで注目を集めている。 最近の研究で、学習されたスパース埋め込みに適切に修正された逆インデックスは、LSRの最先端のリコールレイテンシトレードオフを実現し、しばしば固定されたリコールターゲットで遅延のかなりのマージンでグラフベースのインデックスを上回ることが示されている。 その結果,グラフベースニアニアニア(ANN)探索は,LSRの逆インデックスに劣ることがわかった。 本稿では、この従来の知恵に挑戦する。 我々の重要な洞察は、標準グラフベースのANNインデックスを疎ベクトルにアウト・オブ・ザ・ボックスで適用すると、非競合的な性能が得られますが、逆インデックスの強みをグラフベースの検索に注入することで、これらの欠点を克服できるということです。 特に,グラフベースのLSRを高速化する3つの手法を紹介する。 (i)項ベースのエントリポイントシード (二)スパーススケッチによる近似ルーティング、及び (iii)スパースパーティションベースのグラフ構築。 我々はこれらの手法をGRIPと呼ぶLSRのための新しいグラフベースのANNシステムに統合する。 SPLADEを組み込んだMS MARCO v2ベンチマーク(138万パス)では、GRIPは耐震性よりも2.5\times$レイテンシの改善を実現している。 最終的に、学習されたスパース検索をデプロイするための逆インデックスのデフォルト選択に疑問を投げかけます。

関連論文リスト

• Better Nearest Neighbor Graph Indices via (Efficient) LLM-Guided Pruning [12.287009636183562]
  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。
  論文  参考訳（メタデータ） (2026-09-28T22:47:05Z)
• 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)
• Efficient Retrieval-Augmented Generation via Token Co-occurrence Graphs [6.058906522832935]
  TIGRAG(Token-induced GraphRAG)はトークン共起知識グラフに基づく効率的なグラフ拡張RAGフレームワークである。 推論中に、グラフベースのセマンティック展開とニューラルリグレードを組み合わせて、マルチホップ推論のための相互接続された証拠を検索する。
  論文  参考訳（メタデータ） (2026-06-29T10:29:51Z)
• 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)
• Clue-RAG: Towards Accurate and Cost-Efficient Graph-based RAG via Multi-Partite Graph and Query-Driven Iterative Retrieval [15.599544326509436]
  Retrieval-Augmented Generation (RAG) は、しばしばグラフ構造化データから外部情報を統合することで制限に対処する。 本稿では,マルチパーティグラフインデックスとクエリ駆動反復検索戦略を導入した新しいアプローチであるClue-RAGを提案する。 3つのQAベンチマークの実験により、Clue-RAGは最先端のベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-07-11T09:36:45Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
  グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。 レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。 我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
  論文  参考訳（メタデータ） (2023-05-09T12:03:42Z)
• 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)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)

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。