論文の概要: GraphRAGProv: GraphRAG Meets How-Provenance

• arxiv url: http://arxiv.org/abs/2610.37237v1
• Date: Tue, 27 Oct 2026 13:42:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.644761
• Title: GraphRAGProv: GraphRAG Meets How-Provenance
• Title（参考訳）: GraphRAGProv: GraphRAGがHow-Provenanceを発表
• Abstract要約: GraphProvRAGは、ソースグラウンドのRDF上でSPARQLクエリを実行する。 ユーザーはリンクをフォローして、抽出された文がテキストを反映しているかどうかをチェックすることができる。 インタラクティブなデモでは、2つのマルチホップQAベンチマークから400のケースを調べ、最終回答が正しい場合でも抽出とクエリエラーを明らかにする。
• 参考スコア（独自算出の注目度）: 3.110362562211741
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: GraphRAG systems often use knowledge graphs to retrieve relevant context for an LLM that produces the final answer. That makes answers more inscrutable and therefore less appealing for domains where transparency is paramount. We present GraphRAGProv, an architecture that executes SPARQL queries over source-grounded RDF graphs to compute answers and their how-provenance polynomials. These polynomials record which statement occurrences were used and how they were combined. Because each occurrence is linked to its source text, users can follow these links to check whether the extracted statements reflect the text and whether the query combines them to answer the question. Querying thereby becomes a way to inspect and evaluate the text-to-graph transformation. Our interactive demo examines 400 cases from two multi-hop QA benchmarks, revealing extraction and query errors even when the final answer is correct.
• Abstract（参考訳）: GraphRAGシステムは、最終回答を生成するLLMの関連コンテキストを取得するために知識グラフを使用することが多い。 これにより、回答はより精査されやすくなり、それゆえ、透明性が最優先の領域へのアピールも少なくなる。 本稿では,ソースグラウンドのRDFグラフ上でSPARQLクエリを実行するアーキテクチャであるGraphRAGProvについて述べる。 これらの多項式は、どの文が使われたか、どのように組み合わされたかを記録している。 それぞれの発生が元のテキストにリンクされているため、ユーザはこれらのリンクをフォローして、抽出された文がテキストを反映しているか、クエリがそれらを組み合わせて質問に答えるかどうかを確認することができる。 これにより、クエリは、テキストからグラフへの変換を検査し、評価する手段となる。 インタラクティブなデモでは、2つのマルチホップQAベンチマークから400のケースを調べ、最終回答が正しい場合でも抽出とクエリエラーを明らかにする。

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)
• Towards a Learnable Retriever for Textual Graph Question Answering [52.50792981745198]
  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。
  論文  参考訳（メタデータ） (2026-10-24T07:40:13Z)
• Interpretable Question Answering with Knowledge Graphs [0.19695349076827803]
  本稿では,知識グラフ検索のみで動作する質問応答システムを提案する。 知識グラフのクエリから取得したエンティティ関係エッジをパラフレーズ化するために、小さなパラフレーズモデルが使用される。 この研究はCRAGベンチマークでLCM-as-a-judgeを用いて評価され、71.9%と54.4%の精度が得られた。
  論文  参考訳（メタデータ） (2025-10-22T02:36:35Z)
• DAGR: Decomposition Augmented Graph Retrieval with LLMs [1.034893617526558]
  DAGRは、複雑な質問と、関連するリンクされたサブグラフを抽出するサブクエストにおけるそれらの分解の両方を活用する検索手法である。 結果として得られるGraph-RAGパイプラインは、複雑なマルチホップ質問の処理と、グラフ構造化データに対する効果的な推論に適している。 DAGRを標準マルチホップQAベンチマークで評価し、競合する既存手法に匹敵する性能または優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2025-06-16T11:44:28Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• 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)
• RAG over Tables: Hierarchical Memory Index, Multi-Stage Retrieval, and Benchmarking [63.253294691180635]
  現実世界のシナリオでは、純粋なテキスト以外では、かなりの量の知識がテーブルに格納される。 まず、階層型メモリインデックス、多段階検索、グラフ認識プロンプトからなるテーブルコーパス対応RAGフレームワークT-RAGを提案する。
  論文  参考訳（メタデータ） (2025-04-02T04:24:41Z)
• RAGONITE: Iterative Retrieval on Induced Databases and Verbalized RDF for Conversational QA over KGs with RAG [6.4032082023113475]
  SPARQLは複雑な意図と会話型の質問に対して脆弱である。 i)知識グラフから自動的に抽出されたデータベース上のSPARQL結果と、(ii)KG事実の動詞化に関するテキスト検索結果。 パイプラインは反復的な検索をサポートし、どのブランチの結果も満足できないと判断された場合、システムは自動的にラウンドを選択できる。 本稿では,BMW自動車の知識グラフに基づくいくつかのベースラインに対する提案方式の優位性を示す。
  論文  参考訳（メタデータ） (2024-12-23T16:16:30Z)
• UNIQORN: Unified Question Answering over RDF Knowledge Graphs and Natural Language Text [20.1784368017206]
  知識グラフのようなRDFデータに対する質問応答は大幅に進歩している。 IRとNLPのコミュニティはテキストによるQAに対処してきたが、そのようなシステムは意味データや知識をほとんど利用していない。 本稿では,RDFデータセットとテキストコーパスを併用した複雑な質問をシームレスに操作する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-19T10:50:52Z)

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。