摘要
GraphRAG 利用消息传递图神经网络编码检索子图以条件化语言模型，但其黑盒特性导致无法审计实体贡献。本文提出 Ex-GraphRAG，引入多元图神经加法网络（M-GNAN），在不依赖事后近似的情况下实现编码器输出的精确分解。实验发现语义重要性与结构连通性由不同节点主导，移除低归因中介节点会使多跳问答性能下降高达 28%。该研究揭示了图增强大模型中证据路由的语义 - 结构错配问题，为检索剪枝和故障诊断提供新见解。
AI 推荐理由
论文通过可解释性分析揭示图结构证据对多跳问答推理的影响，核心在于优化推理过程的证据路由。
研究机构
特拉维夫大学
斯图加特大学人工智能研究所
NVIDIA
Meta AI
论文信息