AutoGraph-R1: Grafi di Conoscenza Ottimizzati con RL per RAG
AutoGraph-R1 è un framework innovativo che sfrutta l'apprendimento per rinforzo per migliorare la costruzione di grafi di conoscenza, con l'obiettivo di potenziare le prestazioni nei sistemi di generazione aumentata da recupero. I ricercatori hanno sviluppato questo modello e condiviso i loro risultati su arXiv (2510.15339). L'approccio prevede l'addestramento di un costruttore LLM trattando la generazione del grafo come una sfida di apprendimento delle politiche, con ricompense basate sull'efficacia del grafo all'interno di una pipeline RAG. Vengono introdotte due funzioni di ricompensa distinte e consapevoli del compito: una per i grafi portatori di conoscenza e l'altra per l'indicizzazione della conoscenza. In vari benchmark di QA, AutoGraph-R1 consente costantemente ai metodi graph RAG di superare le tecniche agnostiche rispetto al compito, colmando il divario tra la costruzione di grafi di conoscenza e il loro uso pratico, che spesso porta a progetti di grafo subottimali.
Fatti principali
- AutoGraph-R1 è il primo framework a ottimizzare direttamente la costruzione di KG per le prestazioni del compito usando RL.
- Addestra un costruttore LLM inquadrando la generazione del grafo come un problema di apprendimento delle politiche.
- La ricompensa deriva dall'utilità funzionale del grafo in una pipeline RAG.
- Sono progettate due nuove funzioni di ricompensa consapevoli del compito.
- Una funzione di ricompensa tratta i grafi come portatori di conoscenza, l'altra come indici di conoscenza.
- Testato su più benchmark di QA.
- Consente costantemente ai metodi graph RAG di ottenere significativi guadagni di prestazioni.
- Affronta la disconnessione tra la costruzione di KG e l'applicazione a valle.
Entità
Istituzioni
- arXiv