論文の概要: SurveyGraph: Generating Academic Surveys via Methods-Entity Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2610.31317v1
- Date: Thu, 22 Oct 2026 14:08:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.400813
- Title: SurveyGraph: Generating Academic Surveys via Methods-Entity Knowledge Graphs
- Title（参考訳）: SurveyGraph: メソッド・エンティティ・ナレッジグラフによる学術調査の生成
- Abstract要約: SurveyGraphは、メソッドレベルのフォローオン、競合、共有リソース関係を符号化するMeKG(Methods-Entity Knowledge Graph)を中心に構築されたフレームワークである。
検索,セマンティックエッジ,引用グラウンド,コレクションカバレッジ,生成ステージコンポーネントを評価した。
結果は,MEKGをタイプ診断,関係特異的フィルタリング,制御されたサーベイ生成のための監査可能な構造層として位置づけた。
- 参考スコア（独自算出の注目度）: 5.295220575032203
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most automated survey generation systems retrieve papers as flat documents, limiting their ability to capture research structure. We present SurveyGraph, a framework built around a Methods-Entity Knowledge Graph (MEKG) encoding method-level follow-on, competition, and shared-resource relations. The graph supports core-paper discovery, retrieval, hybrid outlining, and evidence-gated narrative synthesis. We evaluate retrieval, semantic edges, citation grounding, collection coverage, and generation-stage components. In a controlled seven-method equal-budget benchmark, MEKG-anchored fusion balances recall and structural density, with an independent co-citation check. In a separate archived graph-native diagnostic, graph-aware retrieval nearly doubles recall over flat lexical baselines across eight runs (p = 0.004). A semantic evidence gate achieves AUC = 0.75. Audits of 160 generated sentences find 80.6% anchored-or-partial citation support. Human adjudication of 108 stratified semantic edges finds 68.5% supported-or-partial relations (binary-support Cohen's kappa = 0.64), with improves strongest (80.6%) and extends weakest (52.8%). A SurveyBench-facing collection probe reaches mean reference coverage of 0.521 across four topics with an eight-paper budget. Same-backend Qwen diagnostics on a 30-paper/74-relation graph show reduced organization signals when hybrid outlining is removed. Concurrent-system comparisons provide bounded context rather than matched-backend end-to-end evidence. The results position MEKG as an auditable structural layer for typed diagnostics, relation-specific filtering, and controlled survey generation. Code and artifacts: https://github.com/xzzvsxd/SurveyGraph.
- Abstract（参考訳）: ほとんどの自動調査生成システムは、論文を平らな文書として回収し、研究構造を捉える能力を制限する。
本稿では,メソッドレベルのフォローオン,コンペティション,共有リソース関係を符号化するMeKG(Methods-Entity Knowledge Graph)を中心に構築されたフレームワークであるSurveyGraphを紹介する。
このグラフは、コアペーパーの発見、検索、ハイブリッドアウトライン、エビデンスによる物語合成をサポートする。
検索,セマンティックエッジ,引用グラウンド,コレクションカバレッジ,生成ステージコンポーネントを評価した。
制御された7-method等予算ベンチマークでは、MEKGによる核融合はリコールと構造密度のバランスをとり、独立した共励チェックを行う。
別のアーカイブされたグラフネイティブの診断では、グラフ認識検索は8回の実行で平坦な語彙ベースライン上のリコールをほぼ2倍にします(p = 0.004)。
意味的エビデンスゲートは AUC = 0.75 を達成する。
160件の文の聴取では80.6%が係留されている。
108の階層化されたセマンティックエッジのヒトの偏見は68.5%の支持関係(コーエンのカッパ=0.64)が見られ、最強(80.6%)が向上し、最も弱い(52.8%)。
調査ベンチを対象とする収集調査は、8紙の予算で4つのトピックに平均0.521の基準範囲に達した。
30-paper/74-relation graph上の同じバックエンドのQwen診断は、ハイブリッドアウトラインの除去時に組織信号を減少させる。
並行システム比較は、一致したバックエンドのエンドツーエンドのエビデンスではなく、コンテキスト境界を提供する。
その結果、MEKGは、タイプ診断、関係特異的フィルタリング、および制御されたサーベイ生成のための監査可能な構造層として位置づけられた。
コードとアーティファクト:https://github.com/xzzvsxd/SurveyGraph。
関連論文リスト
- MOSAIC: Query-Aware Exploration Policy Adaptation for GraphRAG [0.9981673042249516]
GraphRAGはコーパスグラフに分散したエビデンスを接続することができるが、ほとんどのシステムはクエリ間で共有された探索手順を使用している。
本稿では、GraphRAG検索をクエリごとの制御問題として定式化する、トレーニング不要のフレームワークであるMosaicを提案する。
モザイクは最強の標準的固定政策よりも9.96ポイント改善している。
論文 参考訳（メタデータ） (2026-09-10T04:12:18Z) - GRAFT: Graph-Distilled Generative Retrieval for Facet-Aware Scientific Literature Exploration [24.90363787327649]
生成検索は文書識別子を直接生成する。
これら4つの面がエッジをタイプしたグラフに、論文を接続する。
11,359のNLP論文からなる構築コーパスであるLitWeaveでは、グラフ教師のRecall@20の91%を、推論時に最寄りのインデックスやエンコーダなしでリカバリしています。
論文 参考訳（メタデータ） (2026-08-23T12:07:00Z) - VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。
100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。
強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
論文 参考訳（メタデータ） (2026-08-18T15:23:06Z) - 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) - GAAMA: Graph Augmented Associative Memory for Agents [0.0]
GAAMAは、概念を介する階層的知識グラフを構成するグラフ拡張連想記憶システムである。
LoCoMo-10ベンチマーク(10のマルチセッション会話で1,540の質問)では、GAAMAは78.9%の平均報酬を獲得し、調整されたRAGベースラインを上回っている。
論文 参考訳（メタデータ） (2026-03-29T23:33:38Z) - Graph-Aware Late Chunking for Retrieval-Augmented Generation in Biomedical Literature [0.0]
GraLC-RAGは、グラフ認識構造インテリジェンスと遅延チャンキングを統合するフレームワークである。
2,359 IMRaD-filtered Centralの項目に対して,2,033の横断質問を用いた6つの戦略を評価する。
論文 参考訳（メタデータ） (2026-03-23T23:22:58Z) - Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。
我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。
本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
論文 参考訳（メタデータ） (2026-03-09T18:20:20Z) - 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) - HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。
システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
論文 参考訳（メタデータ） (2025-08-01T20:30:42Z)
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。