論文の概要: GEMS-RAG: Graph-grounded Engineering Multimodal Standards Retrieval-Augmented Generation
- arxiv url: http://arxiv.org/abs/2610.33277v1
- Date: Fri, 23 Oct 2026 20:41:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.289342
- Title: GEMS-RAG: Graph-grounded Engineering Multimodal Standards Retrieval-Augmented Generation
- Title（参考訳）: GEMS-RAG:Graph-grounded Engineering Multimodal Standards Retrieval-Augmented Generation
- Abstract要約: エンジニアリング標準は階層的で、マルチモーダルで、図形、表、相互参照、規範ルールを通して密結合されている。
既存の検索拡張生成法(RAG)は、しばしば構造化されていないテキスト検索に依存している。
本稿では,GEMS-RAGを提案する。
- 参考スコア（独自算出の注目度）: 6.77973896027808
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Engineering standards are challenging knowledge sources for large language models (LLMs) because they are hierarchical, multimodal, and densely connected through figures, tables, cross-references, and normative rules. Existing retrieval-augmented generation (RAG) methods often rely on unstructured text retrieval and struggle with questions requiring joint reasoning over textual provisions, visual specifications, and document structure. We propose GEMS-RAG (Graph-grounded Engineering Multimodal Standards Retrieval-Augmented Generation), a framework for grounded reasoning over engineering standards. GEMS-RAG combines hierarchical parsing, fine-grained visual entity extraction, multimodal knowledge graph construction, and graph-grounded hybrid retrieval. Instead of treating figures as monolithic images, it decomposes them into meaningful visual entities linked to textual provisions, engineering concepts, and regulatory rules. During inference, dense, sparse, and visual retrieval are combined with graph expansion to identify relevant evidence across text, figures, and document structure. We evaluate GEMS-RAG on the Manual on Uniform Traffic Control Devices (MUTCD), a large engineering standard containing egulations, technical drawings, and standardized traffic-control devices. Results show that graph-grounded multimodal retrieval improves retrieval effectiveness and question-answering performance over text-only, multimodal, and graph-based RAG baselines. Beyond MUTCD, GEMS-RAG offers a general framework for reasoning over engineering codes, technical manuals, regulatory documents, and scientific standards in safety-critical applications.
- Abstract（参考訳）: エンジニアリング標準は、階層的で、マルチモーダルで、図形、表、相互参照、規範規則を通して密結合しているため、大きな言語モデル(LLM)の知識源として難しい。
既存の検索拡張生成法(RAG)は、しばしば構造化されていないテキスト検索に頼り、テキスト条項、視覚仕様、文書構造に対する共同推論を必要とする問題に悩む。
本稿では, GEMS-RAG (Graph-grounded Engineering Multimodal Standards Retrieval-Augmented Generation) を提案する。
GEMS-RAGは階層解析、きめ細かい視覚的実体抽出、マルチモーダル知識グラフ構築、グラフ基底ハイブリッド検索を組み合わせた。
図形をモノリシックなイメージとして扱う代わりに、テキストの条項、エンジニアリングの概念、規制規則に関連する意味ある視覚的実体に分解する。
推論の間、密集、疎在、および視覚的検索は、テキスト、図形、文書構造にまたがる関連する証拠を特定するためにグラフ拡張と組み合わせられる。
我々は, GEMS-RAG on the Manual on Uniform Traffic Control Devices (MUTCD) の評価を行った。
その結果,グラフを用いたマルチモーダル検索により,テキストのみ,マルチモーダル,グラフベースのRAGベースラインよりも検索効率と質問応答性能が向上することがわかった。
MUTCD以外にも、GEMS-RAGは、安全クリティカルなアプリケーションにおけるエンジニアリングコード、技術マニュアル、規制文書、科学標準を推論するための一般的なフレームワークを提供している。
関連論文リスト
- UniGFM-RAG: Unify Graph Foundation Models and Large Language Models for End-to-End Retrieval and Reasoning [56.749106009207416]
大規模言語モデル(LLM)はタスク間で顕著な能力を示しているが、それでも分散知識の統合を必要とする複雑な推論に苦慮している。
LLM ジェネレータと GFM レトリバーを密結合した,エンドツーエンドの GraphRAG フレームワークである ourmethod を提案する。
実験の結果,本手法は強いベースライン法より一貫して優れ,一般化が良好であることがわかった。
論文 参考訳（メタデータ） (2026-10-26T05:30:07Z) - TopoGraphRAG-Bench: Evaluating Multimodal GraphRAG on Layout-Grounded Evidence Reasoning [5.635643939397581]
本稿では,GraphRAGにおけるマルチモーダルエビデンスのためのレイアウトグラウンドベンチマークTOPOGRAPHRAG-BENCHを紹介する。
検索,生成,トポロジ対応推論指標を用いて,テキストのみのGraphRAG,ページレベルのビジュアル検索,マルチモーダルなGraphRAGシステムの評価を行った。
論文 参考訳（メタデータ） (2026-10-07T03:15:31Z) - MegaRAG: Multimodal Knowledge Graph-Based Retrieval Augmented Generation [17.382062394739588]
大規模言語モデル(LLM)は、コンテキストウィンドウが限られているため、高レベルな概念的理解と包括的理解に苦慮する。
本稿では,マルチモーダルな知識グラフに基づくRAGを導入し,より優れたコンテンツ理解のためのクロスモーダル推論を実現する。
本手法では,知識グラフの構築,検索フェーズ,回答生成プロセスに視覚的手がかりを取り入れた。
論文 参考訳（メタデータ） (2025-11-26T05:00:03Z) - Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
文書理解は、財務分析から科学的発見への応用に不可欠である。
現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。
Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
論文 参考訳（メタデータ） (2025-10-17T02:33:16Z) - MMGraphRAG: Bridging Vision and Language with Interpretable Multimodal Knowledge Graphs [6.165053219836395]
本稿では,シーングラフを通して視覚コンテンツを洗練し,マルチモーダルな知識グラフを構築するMMGraphRAGを提案する。
スペクトルクラスタリングを用いてクロスモーダルなエンティティリンクを実現し、推論経路に沿ってコンテキストを取得して生成プロセスを導く。
実験結果から,MMGraphRAGはDocBenchとMMLongBenchのデータセット上で最先端の性能を実現することがわかった。
論文 参考訳（メタデータ） (2025-07-28T13:16:23Z) - MMESGBench: Pioneering Multimodal Understanding and Complex Reasoning Benchmark for ESG Tasks [56.350173737493215]
環境・社会・ガバナンス(ESG)報告は、持続可能性の実践の評価、規制コンプライアンスの確保、財務透明性の促進に不可欠である。
MMESGBenchは、マルチモーダル理解と複雑な推論を、構造的に多種多様なマルチソースESG文書間で評価するための、最初のベンチマークデータセットである。
MMESGBenchは、45のESG文書から得られた933の検証済みQAペアで構成され、7つの異なるドキュメントタイプと3つの主要なESGソースカテゴリにまたがる。
論文 参考訳（メタデータ） (2025-07-25T03:58:07Z) - 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) - VisRAG: Vision-based Retrieval-augmented Generation on Multi-modality Documents [66.42579289213941]
Retrieval-augmented Generation (RAG) は、大規模言語モデルが外部知識ソースを生成に活用できる効果的な手法である。
本稿では、視覚言語モデル(VLM)に基づくRAGパイプラインを確立することにより、この問題に対処するVisRAGを紹介する。
このパイプラインでは、まず文書を解析してテキストを得る代わりに、VLMを画像として直接埋め込んで、VLMの生成を強化する。
論文 参考訳（メタデータ） (2024-10-14T15:04:18Z) - 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) - HybridRAG: Integrating Knowledge Graphs and Vector Retrieval Augmented Generation for Efficient Information Extraction [1.0390583509657403]
本稿では,知識グラフ(KG)に基づくRAG手法のハイブリッドRAG(HybridRAG)を用いた新しい手法を提案する。
ベクトルデータベースとKGの両方からコンテキストを抽出するHybridRAGは、従来のVectorRAGとGraphRAGの両方を個別に比較する。
提案手法は金融分野を超えて応用できる。
論文 参考訳（メタデータ） (2024-08-09T09:07:48Z)
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。