論文の概要: Towards a Learnable Retriever for Textual Graph Question Answering

• arxiv url: http://arxiv.org/abs/2610.33511v1
• Date: Sat, 24 Oct 2026 07:40:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.348644
• Title: Towards a Learnable Retriever for Textual Graph Question Answering
• Title（参考訳）: テキストグラフ質問応答のための学習可能なレトリバーの実現に向けて
• Abstract要約: テキストグラフ質問応答 (GraphQA) とグラフベースの検索拡張生成 (GraphRAG) が注目されている。 大規模な努力にもかかわらず、既存の手法は依然として2つの重要なギャップに直面している。 テキストグラフQAのためのLLMベースのエンド・ツー・エンド・エンド・レトリバー・ジェネレータフレームワークであるTaLenTを提案する。
• 参考スコア（独自算出の注目度）: 52.50792981745198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Textual graph question answering (GraphQA) and graph-based retrieval-augmented generation (GraphRAG) have gained increasing attention as a way to ground large language models (LLMs) on structured knowledge. Despite extensive efforts, existing methods still face two key gaps. The first is an architectural gap: existing methods typically fine-tune an LLM-based generator, but do not also make the retriever itself a learnable LLM for graph evidence selection within one end-to-end retrieve-then-generate pipeline. The second is a retrieval-supervision gap: existing retrievers rarely use gold answer signals to supervise evidence selection. As a result, they may fail to recall evidence nodes required for reasoning, resulting in insufficient coverage of the gold answer set; meanwhile, naive attempts to boost recall often introduce excessive irrelevant information that compromises compactness and overwhelms the LLM. To address these gaps, we propose TaLenT, an LLM-based end-to-end retriever-generator framework for textual GraphQA. To bridge the architectural gap, TaLenT pairs a learnable LLM-based retriever for evidence selection with a fine-tuned LLM-based generator within one unified retrieve-then-generate pipeline. To bridge the retrieval-supervision gap, we leverage gold answer signals as retriever supervision. Specifically, we stratify graph nodes into gold answers, answer-related nodes, and irrelevant noise. We then adopt a weighted pseudo-label loss to prioritize gold answers and preserve answer-related nodes for coverage, while discarding irrelevant noise for compactness. Experimental results across three GraphQA datasets demonstrate that TaLenT consistently improves downstream performance.
• Abstract（参考訳）: 構造化知識に基づく大規模言語モデル(LLM)の基盤として,テキストグラフ質問応答(GraphQA)とグラフベースの検索拡張生成(GraphRAG)が注目されている。 大規模な努力にもかかわらず、既存の手法は依然として2つの重要なギャップに直面している。 既存のメソッドは LLM ベースのジェネレータを微調整するが、レトリバー自体を1つのエンドツーエンドのレトリバー生成パイプライン内でグラフエビデンスを選択するための学習可能な LLM にすることもできない。 既存のレトリバーは、金の応答信号を使って証拠の選択を監督することはめったにない。 結果として、彼らは推論に必要なエビデンスノードのリコールに失敗し、結果として金の答えセットのカバーが不十分になったが、一方、リコールを加速しようとするナイーブな試みは、コンパクト性を妥協しLLMを圧倒する過度に無関係な情報をもたらすことが多い。 これらのギャップに対処するために,テキストグラフQAのためのLLMベースのエンドツーエンドレトリバー・ジェネレータであるTaLenTを提案する。 アーキテクチャのギャップを埋めるため、TaLenTは学習可能なLLMベースのレトリバーをペアにしてエビデンスを選択する。 検索とスーパービジョンのギャップを埋めるために、検索の監督として金の応答信号を利用する。 具体的には,グラフノードをゴールド回答,応答関連ノード,無関係ノイズに階層化する。 次に、重み付けされた擬似ラベル損失を用いて、ゴールドの回答を優先し、応答関連ノードをカバーし、無関係なノイズをコンパクト性のために排除する。 3つのGraphQAデータセットに対する実験結果は、TaLenTがダウンストリームのパフォーマンスを一貫して改善していることを示している。

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)
• GraphRAG-LTM: A Layered Threat Modeling Framework for Attacks on Graph Retrieval-Augmented Generation [26.46247245896345]
  GraphRAG-LTMは、3つのネストレベルの攻撃者アクセスをテストするレイヤド脅威モデリングフレームワークである。 ランクフィードバックだけで回答の品質が低下し、グラデーションアクセスがクエリアタックを強化し、ブリッジ・トリップレットの削除がサポートファクト検索をさらに損なうことを示す。
  論文  参考訳（メタデータ） (2026-10-14T04:04:34Z)
• Foresight-over-Graph: Reasoning Beyond Local Horizons for Knowledge Base Question Answering [61.41039067700017]
  本稿では,知識ベース質問応答(KBQA)のためのフォレスト・オーバー・グラフ(FoG)を提案する。 FoGは、質問関連エビデンスを反復的に構築し、経路探索のガイドとして遠方からのフィードバックを使用する。 KBQAベンチマークの実験は、FoGが最先端のパフォーマンスを達成し、特にCWQで16.58%向上したことを示している。
  論文  参考訳（メタデータ） (2026-10-06T14:07:43Z)
• Retrieving Minimal and Sufficient Reasoning Subgraphs with Graph Foundation Models for Path-aware GraphRAG [27.22974957852695]
  グラフベースの検索強化生成(GraphRAG)は、構造化知識を利用して知識集約推論を支援する。 本稿では,事前学習したグラフファウンデーションモデルがクロスドメインレトリバーとして機能するサブグラフを用いて,ユーザクエリに直接応答するGCM-Retrieverを提案する。 GFM-Retrieverは、効率を保ちながら、検索品質と回答生成の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-03-07T12:39:21Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• 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)
• GraphRAFT: Retrieval Augmented Fine-Tuning for Knowledge Graphs on Graph Databases [0.0]
  GraphRAFTは、LCMを微調整して、確実に正しいCypherクエリを生成する、検索と推論のためのフレームワークである。 本手法は,自然グラフDBに格納された知識グラフを用いて,棚から取り出すことができる最初の方法である。
  論文  参考訳（メタデータ） (2025-04-07T20:16:22Z)

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。