要旨: 近年の文献では、複雑さが異なる質問に対して、特にLLMの既知の知識の範囲外に該当するような質問を扱う際に、大規模言語モデル（LLM）の検索拡張生成（RAG）パイプラインにおけるグラフベースのアプローチの可能性が注目されています。しかし、LLMは幻覚（ハルシネーション）を起こしやすく、また、複雑な質問を効果的に根拠づけるのに十分な大きさのコンテキストを扱う上で技術的な制約に直面することがしばしばあります。これらの課題に対処するために、私たちは、応答品質の評価を活用して、妥当で十分に根拠づけられた応答が生成されるまで出力を反復的に洗練する、新規の反復型・フィードバック駆動のGraphRAGアーキテクチャを提案します。HotPotQAデータセットのクエリを用いて本手法を評価した結果、この反復的なRAG戦略は、シングルショットのベースラインと比べて、より高い意味的品質と改善された関連性を備えた応答をもたらすことを示します。
KGiRAG：センスメイキング質問への応答のための反復的なグラフRAGアプローチ
arXiv cs.CL / 2026/4/24
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、LLMの事前知識を超える複雑なセンスメイキング質問に対して、反復的かつフィードバック駆動のGraphRAGアーキテクチャで応答するKGiRAGを提案している。
- 反復の各段階で応答の質を評価し、その結果を使って出力を洗練させることで、ハルシネーションや十分に根拠づけられるだけの文脈量不足といったRAGの課題に対処する。
- HotPotQAのクエリで評価した結果、単発型（非反復）のベースラインと比べて、反復型の戦略はセマンティックな質と関連性の両方で改善を示した。
- 要するに、品質評価ループをグラフベースのLLM検索・生成パイプラインに組み込むことで、長い多段推論タスクでの信頼性を高められることを示している。
