CacheRAG：知識グラフ質問応答におけるRetrieval-Augmented Generationのためのセマンティックキャッシュシステム

概要: 大規模言語モデル（LLM）を検索拡張生成（RAG）と統合することで、知識グラフ質問応答（KGQA）が大きく進展しました。 しかし、既存のLLM駆動KGQAシステムは、歴史的なクエリのパターンを活用することなく、検索計画を単独で生成するという「無状態のプランナー」として振る舞います。これは、計画キャッシュを持たずに、すべてのクエリを毎回最初から最適化するデータベースシステムにたとえられます。 この根本的な設計上の欠陥は、スキーマの幻覚（hallucination）や、検索のカバレッジの限定につながります。 本研究では、LLMベースKGQAのための体系的なキャッシュ拡張アーキテクチャであるCacheRAGを提案します。これにより、無状態のプランナーを「継続的学習者」へと変換します。 従来のデータベースにおけるプランキャッシング（頻度を最適化することを目的とする）とは異なり、CacheRAGはLLM文脈に合わせて設計された3つの新しい設計原則を導入します： (1) スキーマ非依存のユーザインタフェース：中間意味表現（ISR）を用いた二段階の意味解析フレームワークにより、非専門家のユーザが自然言語だけでやり取りできるようにします。 さらに、Backend Adapterが、ローカルなスキーマ文脈によってLLMを根拠づけ、実行可能な物理クエリを安全にコンパイルします。 (2) 多様性最適化キャッシュ検索：ドメイン（Domain）toアスペクト（Aspect）からなる二層階層インデックスと、Maximal Marginal Relevance（MMR）を組み合わせることで、キャッシュされた例における構造的多様性を最大化し、推論の同質性を効果的に緩和します。 (3) 境界付きヒューリスティック拡張：決定的な深さと幅を持つサブグラフ演算子により、厳密な計算量保証を付与することで、API実行が無制限に拡大するリスクを負わずに検索のリコールを大幅に向上させます。 複数のベンチマークに対する大規模な実験により、CacheRAGが最先端のベースラインを大きく上回ることを示します（例：CRAGデータセットで精度+13.2%、真実性+17.5%）。