論文の概要: EAGR: Evidence-Guided Adaptive Graph Retrieval

• arxiv url: http://arxiv.org/abs/2611.01910v1
• Date: Sun, 01 Nov 2026 13:51:11 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:38:11.916588
• Title: EAGR: Evidence-Guided Adaptive Graph Retrieval
• Title（参考訳）: EAGR:Evidence-Guided Adaptive Graph Retrieval
• Abstract要約: Evidence-Guided Adaptive Graph Retrieval (EAGR) は,次に探索すべき意味的方向を動的に決定するフレームワークである。 EAGRは、標準的なVectorDBに事前入力されたコンパクトパスメタデータによって誘導される暗黙のセマンティックグラフ上で動作する。 セマンティックメタデータの事前計算により、EAGRは明示的なグラフを具体化せずにエビデンス条件のグラフ探索を可能にし、専用のGraphDBを維持したり、クエリを反復的に書き直したりすることができる。
• 参考スコア（独自算出の注目度）: 10.102081351909593
• License:
• Abstract: Retrieval-Augmented Generation (RAG) for multi-hop reasoning requires retrieval to adapt as intermediate evidence reveals new information needs. Existing approaches support such retrieval through explicit graph structures or iterative query reformulation, introducing graph-construction or query-time overhead. We present Evidence-Guided Adaptive Graph Retrieval (EAGR), a framework in which accumulated evidence dynamically determines which semantic directions to explore next, and which requires no dedicated graph database and no explicit graph materialization. EAGR operates over an implicit semantic graph induced by compact passage metadata pre-ingested into a standard VectorDB. Starting from dense-retrieval seed passages, an LLM iteratively assesses accumulated evidence, identifies promising semantic directions, expands the retrieval frontier through metadata-based neighborhood lookup, and terminates once sufficient evidence has been collected. By precomputing semantic metadata, EAGR enables evidence-conditioned graph exploration without materializing an explicit graph, maintaining a dedicated GraphDB, or iteratively rewriting the query. Across three widely used multi-hop QA benchmarks, EAGR achieves the highest LLM-based answer accuracy among evaluated methods, outperforming the vanilla RAG by 17\% and strongest graph-aware baseline by 4\% percentage points averaged across three popular benchmarks HotPotQA, 2WikiMultiHopQA, and MuSiQue.
• Abstract（参考訳）: マルチホップ推論のための検索-拡張生成(RAG)は、中間的証拠が新しい情報の必要性を明らかにするため、検索に適応する必要がある。 既存のアプローチは、明示的なグラフ構造や反復的なクエリ再構成による検索をサポートし、グラフ構築やクエリ時間オーバーヘッドを導入している。 Evidence-Guided Adaptive Graph Retrieval (EAGR) は,次に探索すべきセマンティックな方向を動的に決定し,専用のグラフデータベースや明示的なグラフの実体化を必要としないフレームワークである。 EAGRは、標準的なVectorDBに事前入力されたコンパクトパスメタデータによって誘導される暗黙のセマンティックグラフ上で動作する。 LLMは、密度の高い検索可能なシードパスから始まり、蓄積された証拠を反復的に評価し、有望なセマンティックな方向を特定し、メタデータベースの近傍検索を通じて検索フロンティアを拡張し、十分な証拠が収集されると終了する。 セマンティックメタデータの事前計算により、EAGRは明示的なグラフを具体化せずにエビデンス条件のグラフ探索を可能にし、専用のGraphDBを維持したり、クエリを反復的に書き直したりすることができる。 3つの広く使用されているマルチホップQAベンチマークの中で、EAGRは評価手法の中で最高のLCMベースの回答精度を達成し、バニラRAGを17倍、最強のグラフ認識ベースラインを4倍に上回り、HotPotQA、2WikiMultiHopQA、MuSiQueの3つの人気のあるベンチマークで平均4倍に向上した。

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)
• 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)
• HVM-GraphRAG: Holistic-View Multimodal Graph Retrieval-Augmented Generation on Complex Document [36.46869470798395]
  マルチモーダルグラフRAGは、ドキュメントエビデンスをグラフ構造で整理することで、有望な方向を提供する。 HVM-GraphRAGは、グラフ構築をガイドするために全体的なビューを使用し、ノイズと競合するグラフ更新を減らす。 3つのデータセットの実験から、HVM-GraphRAGは、ほとんどの評価済み設定において、最高の回答性能を達成することが示された。
  論文  参考訳（メタデータ） (2026-07-26T12:47:25Z)
• 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)
• Query-Aware Flow Diffusion for Graph-Based RAG with Retrieval Guarantees [10.806910118253976]
  グラフベースのRetrieval-Augmented Generation (RAG)システムは複雑な関係を捉えるために相互接続された知識構造を利用する。 本稿では,各クエリの全体的意味論にグラフトラバーサルを動的に適用する学習自由フレームワークであるQuery-Aware Flow Diffusion RAG (QAFD-RAG)を提案する。 QAFD-RAGは、弱い信号対雑音条件下で、高い確率で関連部分グラフを復元する。
  論文  参考訳（メタデータ） (2026-04-21T08:53:34Z)
• GraphER: An Efficient Graph-Based Enrichment and Reranking Method for Retrieval-Augmented Generation [47.014599006114594]
  GraphERはグラフベースのエンリッチメントとリグレードメソッドで、セマンティックな類似性を超えた、複数の形式の近接をキャプチャする。 知識グラフを必要としないため、GraphERは標準的なベクトルストアとシームレスに統合できる。 複数のベンチマーク実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-03-26T01:30:22Z)
• 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)
• 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)
• 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)
• 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)

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。