[論文レビュー] DA-RAG: Dynamic Attributed Community Search for Retrieval-Augmented Generation

Xingyuan Zeng, Zuohan Wu+5 more|arXiv (Cornell University)|Feb 9, 2026

Information Retrieval and Search Behavior被引用数 0

ひとこと要約

DA-RAG は Embedding-Attributed Community Search (EACS) とチャンク層グラフインデックスを導入し、RAG のための高次元・クエリ指向のサブグラフを動的に取得する。これにより、ベースラインより高い精度と効率を実現。

ABSTRACT

Owing to their unprecedented comprehension capabilities, large language models (LLMs) have become indispensable components of modern web search engines. From a technical perspective, this integration represents retrieval-augmented generation (RAG), which enhances LLMs by grounding them in external knowledge bases. A prevalent technical approach in this context is graph-based RAG (G-RAG). However, current G-RAG methodologies frequently underutilize graph topology, predominantly focusing on low-order structures or pre-computed static communities. This limitation affects their effectiveness in addressing dynamic and complex queries. Thus, we propose DA-RAG, which leverages attributed community search (ACS) to extract relevant subgraphs based on the queried question dynamically. DA-RAG captures high-order graph structures, allowing for the retrieval of self-complementary knowledge. Furthermore, DA-RAG is equipped with a chunk-layer oriented graph index, which facilitates efficient multi-granularity retrieval while significantly reducing both computational and economic costs. We evaluate DA-RAG on multiple datasets, demonstrating that it outperforms existing RAG methods by up to 40% in head-to-head comparisons across four metrics while reducing index construction time and token overhead by up to 37% and 41%, respectively.

研究の動機と目的

• RAG の検索性能を静的コミュニティを超える高次グラフ構造を活用して改善する動機付け。
• Embedding-Attributed Community Search を提案し、構造的に結合性が高くクエリ関連性の高いサブグラフを動的に抽出する。
• ヘビーなクラスタリングなしに効率的な多階層取得を実現するチャンク層指向のグラフインデックスを設計する。
• DA-RAG がベースラインを上回り、インデックス作成とトークンコストを削減することを経験的に示す。

提案手法

• Embedding-Attributed Community Search (EACS) を定義し、自由ライダー効果を緩和しつつ k-トラス連結サブグラフ内でクエリ関連性を最大化する。
• 三層のオフラインインデックスを開発する：Semantic Chunk Layer (L_C)、Knowledge Graph Layer (L_KG)、Similarity Layer (L_S)；層間および層内のエッジで層を接続する。
• coarse-to-fine のオンライン取得を用いる：まず L_C で H_C を識別し、次に G_KG^work および G_S^work を絞り込み、最後に refined subgraphs に対して EACS を適用して H_KG および H_S を得る。
• LLM支援スコアリングと文脈予算制約を用いた候補評価ループを介して k-truss の適応的決定を行う。
• EACS を効率的に解くための Q-Peel ヒューリスティックを提案し、NP難性の正当化と解析的計算量を示す。
• UltraDomain データセット上で複数のベースラインとエンドツーエンド評価を実施し、効果と効率を測定する。

Figure 1. Differences between existing methods and our method. (a) Methods w/o community concern are limited to low-order graph topology, capturing only partial aspects. (b) Methods with static community partition could return a diverging and unfocused response. (c) Our method retrieves a query-rele

実験結果

リサーチクエスチョン

• RQ1 DA-RAG は最先端ベースラインと比較して検索品質と回答精度の点でどの程度優れているか？
• RQ2 インデックス構築とオンライン取得の点で DA-RAG の効率はどの程度か？
• RQ3 DA-RAG によって取得されるサブグラフは RAG タスクに対してより優れた構造的結合性と意味的関連性を示すか？
• RQ4 EACS における適応的な k の決定はクエリごとの性能にどのように影響するか？

主な発見

• DA-RAG は head-to-head 比較で最大 40% の向上を4指標で達成する。
• インデックス構築時間とトークンオーバーヘッドがそれぞれ最大で 37% および 41% 減少。
• オンライン取得時のトークン消費が平均で 73.8% 減少（データセットによっては最大 88.76%）し、GraphRAG-Global と比べて待機時間は同等。
• DA-RAG は coarse-to-fine 取得戦略と EACS を用いて高品質で結束性の高いサブグラフを生成する。
• 適応的な k 決定手続きと Q-Peel ヒューリスティックは、結束性が保証され、推論跳びが拘束されたクエリ指向サブグラフ抽出を提供する。

Figure 2. Overview of the DA-RAG framework: (a) Offline Indexing creates a novel graph index from source documents, comprising a high-level layer ( $L_{C}$ ) and two granular layers ( $L_{KG}$ and $L_{S}$ ). (b) Online Retrieval employs a coarse-to-fine strategy. (c) EACS Formulation defines the sub