KGiRAG: 意味づけのクエリに対応する反復的な GraphRAG アプローチ

arXiv:2604.20859v1 Announce Type: cross 要約: 最近の文献は、グラフベースの手法が大規模言語モデル（LLM）の検索増強型生成（RAG）パイプラインにどのような可能性を持っているかを示している。これは、特に大規模言語モデルの既知の範囲を超えている変化する複雑さのクエリを回答することに有効である。しかし、大規模言語モデルは幻覚しやすい傾向にあり、複雑なクエリを効果的に裏付けるのに十分なコンテキストを処理するための技術的な限界に直面している。これらの課題に対処するため、我々は、反響品質評価を活用して、音が確立した、十分に裏付けられた回答が生じるまで出力を反復的に精化していく新しい反復的、フィードバック駆動型 GraphRAG アーキテクチャを提案した。HotPotQA データセットのクエリを用いて我々の手法を評価したところ、この反復的な RAG ストラーテジーは、一発型ベースラインと比較して、より高い意味の質と改善された関連性を有する回答を生み出すことを示した。

arXiv:2604.20859v1 Announce Type: cross Abstract: Recent literature highlights the potential of graph-based approaches within large language model (LLM) retrieval-augmented generation (RAG) pipelines for answering queries of varying complexity, particularly those that fall outside the LLM's prior knowledge. However, LLMs are prone to hallucination and often face technical limitations in handling contexts large enough to ground complex queries effectively. To address these challenges, we propose a novel iterative, feedback-driven GraphRAG architecture that leverages response quality assessment to iteratively refine outputs until a sound, well-grounded response is produced. Evaluating our approach with queries from the HotPotQA dataset, we demonstrate that this iterative RAG strategy yields responses with higher semantic quality and improved relevance compared to a single-shot baseline.