HG-RAG：構造化知識グラフのための階層誘導型検索拡張生成
検索拡張生成（RAG）は巨大言語モデルの出力品質向上に広く用いられているが、従来のRAGは階層的・関係的推論が必要なクエリに弱い。本論文では、階層的知識グラフをグラフ探索して構造化コンテキストを提供するHG-RAGを提案。実験では、三つの規模（18～800ノード）と四つのクエリタイプで評価し、HG-RAGが階層的・関係的・マルチホップ推論タスクで平面ベースラインを一貫して上回り、幻覚を低減し局所的一貫性を維持することを示した。
検索拡張生成（RAG）は、大規模言語モデル（LLM）の出力品質を向上させる手法として広く成功を収めています。しかしながら、従来のRAGシステムは通常、フラットな文書ストアからコンテキストを検索するため、構造化知識にわたる階層的または関係的な推論を必要とするクエリに対しては性能が低下するという課題がありました。この問題に対処するため、Pranav Yadav氏は最新の研究でHG-RAG（Hierarchy-Guided RAG）を提案しました。これは、階層的知識グラフ上でグラフ探索を実行し、言語モデルに構造化コンテキストを提供するフレームワークです。
HG-RAGの検索パイプラインは、まずクエリから名前付きエンティティアンカーを解決し、その後、親ノードへの上方拡張、関係的近傍への側方拡張、必要に応じて子ノードへの下方拡張という三方向のコンテキスト拡張を行います。これにより、モデルは階層的、近隣的、およびマルチホップな関係を含む複雑なクエリに必要な構造化情報を取得できます。
研究者はHG-RAGを高密度検索ベースラインと比較し、三つの異なる規模（18～800ノード）の知識グラフと四つのクエリタイプ（ローカルファクト、階層、近隣、マルチホップ）で評価しました。結果は、HG-RAGが階層的、関係的、マルチホップ推論タスクにおいて一貫して平面ベースラインを上回り、幻覚（ハルシネーション）を低減しつつ局所的一貫性を維持することを示しています。
本論文「HG-RAG: Hierarchy-Guided Retrieval-Augmented Generation for Structured Knowledge Graphs」はPranav Yadav氏によって執筆され、2026年4月16日にarXivに提出されました（識別番号2607.14095）。論文は8ページ、3つの図を含み、主題は人工知能（cs.AI）です。HG-RAGは構造化知識を扱うRAGシステムに新たな方向性を示すものであり、複雑な推論を要する質問応答や知識グラフQAなどの応用が期待されます。今後、HG-RAGは様々な実用的なシナリオで重要な役割を果たし、大規模言語モデルの構造化知識推論能力を前進させることが期待されます。