Fugu-MT 論文翻訳(概要): Federated Graph Retrieval-Augmented Generation

論文の概要: Federated Graph Retrieval-Augmented Generation

arxiv url: http://arxiv.org/abs/2610.30728v1
Date: Thu, 22 Oct 2026 04:56:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-24 02:08:44.215237
Title: Federated Graph Retrieval-Augmented Generation
Title（参考訳）: Federated Graph Retrieval-Augmented Generation
Abstract要約: 現実世界の知識は本質的に、中央からアクセスできるのではなく、複数の組織に分散している。分散グラフ検索と知識強化のための統合フレームワークであるFederated GraphRAG(FedGRAG)を提案する。
参考スコア（独自算出の注目度）: 18.47570316757193
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Graph Retrieval-Augmented Generation (GraphRAG) leverages centralized knowledge graphs to enhance large language models with structured knowledge retrieval. However, real-world knowledge is inherently distributed across multiple organizations rather than being centrally accessible. Privacy constraints further prohibit sharing entire local knowledge graphs, preventing GraphRAG from effectively retrieving and utilizing distributed knowledge. To this end, we propose Federated GraphRAG (FedGRAG), a unified framework for distributed graph retrieval and knowledge-enhanced generation over multiple clients with knowledge graphs. Specifically, we address two fundamental challenges in federated GraphRAG. First, the absence of a global knowledge graph makes unified retrieval impossible. To address this, we develop a Federated Knowledge Routing mechanism that efficiently identifies relevant clients through lightweight knowledge indices without exposing local graph structures. Second, local graph memory cannot be shared directly because it contains sensitive entities and knowledge information. We therefore propose a controlled-disclosure evidence construction method. It extracts retrieved evidence subgraphs and converts them into an evidence abstract, enabling evidence conversion and reconstruction on the server. Extensive experiments demonstrate that Federated GraphRAG consistently outperforms existing baselines in both retrieval and downstream generation tasks, establishing a new paradigm for deploying GraphRAG in federated environments.
Abstract（参考訳）: Graph Retrieval-Augmented Generation (GraphRAG)は、構造化知識検索を伴う大規模言語モデルを強化するために、中央集権的な知識グラフを活用する。しかし、現実世界の知識は本質的に複数の組織に分散している。プライバシーの制約により、ローカル知識グラフ全体の共有が禁止され、GraphRAGが分散知識を効果的に検索し活用することを防ぐ。この目的のために,分散グラフ検索と知識強化のための統合フレームワークであるFederated GraphRAG (FedGRAG) を提案する。具体的には、フェデレートされたGraphRAGにおける2つの基本的な課題に対処する。まず,グローバルな知識グラフが存在しないことにより,統一的な検索が不可能になる。そこで我々は,局所的なグラフ構造を公開せずに,軽量な知識指標を用いて関連クライアントを効率的に識別するフェデレート知識ルーティング機構を開発した。第2に、機密性のあるエンティティや知識情報を含むため、ローカルグラフメモリを直接共有することはできない。そこで我々は,制御された開示証拠構築法を提案する。検索したエビデンスを抽出し、それらを抽象的なエビデンスに変換し、サーバ上でエビデンス変換と再構築を可能にする。大規模な実験により、Federated GraphRAGは検索および下流生成タスクにおいて既存のベースラインを一貫して上回り、フェデレートされた環境にGraphRAGをデプロイするための新しいパラダイムが確立された。

関連論文リスト

SelfGraphRAG: Bridging the Supervision Gap in Graph-Based RAG with Synthetic QA Generation [10.08021023788401]
SelfGraphRAGは知識グラフ構造から直接質問応答ペアを生成し、クエリ条件のグラフ検索をトレーニングするフレームワークである。本稿では,SelfGraphRAGにより,埋め込みベースラインよりも検索精度と下流推論性能が向上することを示す。
論文参考訳（メタデータ） (2026-08-25T20:18:05Z)
GraphSteal: Structural Knowledge Stealing from Graph RAG via Traversal Reconstruction [6.594828844069489]
Graph RAGは知識グラフを検索パイプラインに統合し、構造化知識に符号化されたエンティティ、リレーション、マルチホップ依存関係へのアクセスを可能にする。グラフRAGシステムを構造オラクルに変換できることを実証する。本研究では,局所的およびグローバル的視点から対象グラフを復元する構造指向再構築フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-27T15:50:14Z)
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)
G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
論文参考訳（メタデータ） (2025-09-29T04:38:12Z)
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)
Retrieval-Augmented Generation with Graphs (GraphRAG) [84.29507404866257]
Retrieval-augmented Generation (RAG) は、追加情報を取得することによって下流タスクの実行を向上させる強力な技術である。グラフは、その固有の「エッジで接続されたノード」の性質により、巨大な異種情報と関係情報を符号化する。従来のRAGとは異なり、多種多様な形式とドメイン固有の関係知識のようなグラフ構造化データのユニークさは、異なるドメインでGraphRAGを設計する際、ユニークで重要な課題を生じさせる。
論文参考訳（メタデータ） (2024-12-31T06:59:35Z)
Graph Retrieval-Augmented Generation: A Survey [28.979898837538958]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の課題に再トレーニングを必要とせずに対処することに成功した。本稿では,GraphRAGの方法論について概観する。 Graph-Based Indexing、Graph-Guided Retrieval、Graph-Enhanced Generationを含むGraphRAGワークフローを形式化する。
論文参考訳（メタデータ） (2024-08-15T12:20:24Z)

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。