Beyond Single Pass, Looping Through Time: KG-IRAG with Iterative Knowledge Retrieval

要約

Graph Retrieval-Aygmented Generation（GraphRag）は、外部の知識を必要とするタスクでの大規模な言語モデル（LLMS）のパフォーマンスを向上させるのに非常に効果的であることが証明されています。
知識グラフ（KG）を活用することにより、GraphRagは複雑な推論タスクの情報検索を改善し、より正確で包括的な検索を提供し、QASに対するより正確な応答を生成します。
ただし、ほとんどのRAGメソッドは、特に情報抽出と推論の両方が必要な場合、マルチステップの推論に対処するのに不足しています。
この制限に対処するために、このホワイトペーパーでは、KGSを統合する新しいフレームワークである知識グラフベースの反復検索生成（KG-IRAG）を提示します。
反復検索手順を通じて、KG-IRAGは外部KGSから関連するデータを徐々に収集し、段階的な推論を可能にします。
提案されたアプローチは、気象条件や交通パターンに基づいた最適な移動時間の決定など、動的な時間データ抽出とともに推論が必要なシナリオに特に適しています。
実験結果は、KG-IRAGが、外部の知識を反復的な論理ベースの検索と効果的に統合することにより、複雑な推論タスクの精度を向上させることを示しています。
さらに、3つの新しいデータセット：Weatherqa-irish、Weatherqa-Sydney、およびTrafficQa-Tfnswが形成され、KG-Iragのパフォーマンスを評価し、従来のRAGアプリケーションを超えた可能性を示しています。

要約(オリジナル)

Graph Retrieval-Augmented Generation (GraphRAG) has proven highly effective in enhancing the performance of Large Language Models (LLMs) on tasks that require external knowledge. By leveraging Knowledge Graphs (KGs), GraphRAG improves information retrieval for complex reasoning tasks, providing more precise and comprehensive retrieval and generating more accurate responses to QAs. However, most RAG methods fall short in addressing multi-step reasoning, particularly when both information extraction and inference are necessary. To address this limitation, this paper presents Knowledge Graph-Based Iterative Retrieval-Augmented Generation (KG-IRAG), a novel framework that integrates KGs with iterative reasoning to improve LLMs’ ability to handle queries involving temporal and logical dependencies. Through iterative retrieval steps, KG-IRAG incrementally gathers relevant data from external KGs, enabling step-by-step reasoning. The proposed approach is particularly suited for scenarios where reasoning is required alongside dynamic temporal data extraction, such as determining optimal travel times based on weather conditions or traffic patterns. Experimental results show that KG-IRAG improves accuracy in complex reasoning tasks by effectively integrating external knowledge with iterative, logic-based retrieval. Additionally, three new datasets: weatherQA-Irish, weatherQA-Sydney, and trafficQA-TFNSW, are formed to evaluate KG-IRAG’s performance, demonstrating its potential beyond traditional RAG applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google