明示的エッジを超えて：ノイズが多く希薄な知識グラフに対する頑健な推論

Abstract

GraphRAG は、未構造化コーパスをグラフ構造に変換してマルチホップ推論を可能にするために、ますます採用されています。しかし、標準的なグラフアルゴリズムは静的な結合性と明示的なエッジに大きく依存しており、知識グラフ（KGs）がノイズだらけでまばら、あるいは不完全な現実世界のシナリオではしばしば機能しません。この制限に対処するため、INSES（Intelligent Navigation and Similarity Enhanced Search：インテリジェント・ナビゲーションと類似性拡張検索）を導入します。これは、明示的エッジを超えて推論することを目的としたダイナミックなフレームワークです。INSES は、ノイズを削減し探索を誘導するLLM主導のナビゲーションと、埋め込みベースの類似性拡張を組み合わせて、隠れたリンクを回復し意味的ギャップを埋めます。グラフ推論の計算コストを認識し、INSES を、単純なクエリをナイーブ RAG に委任し、複雑なケースを INSES にエスカレートさせる軽量なルータで補完して、効率と推論深度のバランスを取ります。INSES は、複数のベンチマークで SOTA RAG および GraphRAG のベースラインを一貫して上回ります。特に MINE ベンチマークでは、さまざまな方法で構築された知識グラフ（KGGEN、GraphRAG、OpenIE）に対して頑健性が向上し、精度をそれぞれ 5%、10%、27% 向上させます。