《GRAFT-Net》や《DrFact》などの関連研究

GraphRAGに関連する代表的な研究として、《GRAFT-Net》および《DrFact》は、いずれも知識グラフを活用して質問応答（Question Answering, QA）を高度化することを目指した先駆的な手法です。以下に、それぞれの研究の概要とGraphRAGとの関係性について詳しく説明します。

---

《GRAFT-Net: Graph-Augmented Retrieval for Open-Domain Question Answering》

• 発表年・著者：2018年、Sunil Mohan, Wen-tau Yih, et al.

• 目的：構造化知識（Knowledge Base: KB）と非構造化文書を統合して、オープンドメイン質問応答を実現。

• 手法の特徴：

  • ノード構造：エンティティと文書スパンをノードとして扱い、KGの関係性（エッジ）を保持したグラフを構築。

  • スパースな情報探索：質問から関連ノード（エンティティ）を初期ノードとしてグラフを構築し、multi-hop reasoning を可能にする。

  • Gated Graph Neural Network (GGNN) を用いてノード表現を更新。

  • リトリーバルと推論の融合：単なる検索でなく、グラフ構造上での推論を通じて回答を生成。

• GraphRAGとの関係性：

  • GraphRAGと同様に、「文書や知識のグラフ構造化」と「文脈に応じた多段階の推論」を統合。

  • GraphRAGでは生成的なDecoderが後段にある点が異なり、GRAFT-Netはより回答選択型（Extractive QA）に近い。

---

《DrFact: Dense Retrieval-Augmented Factual Question Answering over Tabular and Textual Data》

• 発表年・著者：2021年、Rajarshi Das, Manzil Zaheer, et al.

• 目的：表形式（tables）およびテキストの両方を対象にしたファクトQA（事実ベースQA）を実現。

• 手法の特徴：

  • Dense Retriever + Graph Reasoning のハイブリッド。

  • 初期段階で、dense retriever（例えばDPR）によって関連文書・表を取得。

  • 取得された文書・表の内容をエンティティやスパン単位でノード化し、グラフを構成。

  • Relational Graph Attention Network（Relational GAT） により、ノード間の関連性を学習。

  • 最終的にグラフを通じた推論により、factual consistency の高い回答を生成。

• GraphRAGとの関係性：

  • GraphRAGもretrieverの後にグラフ構造（subgraph）を導入し、生成に活用。

  • DrFactはGraph構築後の事実整合性の強化（factuality）に重きを置いている点で、GraphRAGにおける回答の一貫性向上の考え方と通じる。

---

総合的な関係と位置づけ

GraphRAGは、これら先行研究の利点（GRAFT-Netの構造的推論、DrFactのretrievalとの融合）を継承しつつ、生成型言語モデル（Generative Decoder）との統合により、回答生成の柔軟性と表現力を強化している点において進化したアプローチといえます。