[論文レビュー] HyperRAG: Reasoning N-ary Facts over Hypergraphs for Retrieval Augmented Generation

Wen-Sheng Lien, Yu-Kai Chan+6 more|arXiv (Cornell University)|Feb 16, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

HyperRAGは取得強化生成のためにn-aryハイパーグラフ上で推論を行い、2つの取得モード（HyperRetrieverとHyperMemory）を備えてセマンティック分断とパス膨張を抑制し、マルチホップQAの性能を向上させる。

ABSTRACT

Graph-based retrieval-augmented generation (RAG) methods, typically built on knowledge graphs (KGs) with binary relational facts, have shown promise in multi-hop open-domain QA. However, their rigid retrieval schemes and dense similarity search often introduce irrelevant context, increase computational overhead, and limit relational expressiveness. In contrast, n-ary hypergraphs encode higher-order relational facts that capture richer inter-entity dependencies and enable shallower, more efficient reasoning paths. To address this limitation, we propose HyperRAG, a RAG framework tailored for n-ary hypergraphs with two complementary retrieval variants: (i) HyperRetriever learns structural-semantic reasoning over n-ary facts to construct query-conditioned relational chains. It enables accurate factual tracking, adaptive high-order traversal, and interpretable multi-hop reasoning under context constraints. (ii) HyperMemory leverages the LLM's parametric memory to guide beam search, dynamically scoring n-ary facts and entities for query-aware path expansion. Extensive evaluations on WikiTopics (11 closed-domain datasets) and three open-domain QA benchmarks (HotpotQA, MuSiQue, and 2WikiMultiHopQA) validate HyperRAG's effectiveness. HyperRetriever achieves the highest answer accuracy overall, with average gains of 2.95% in MRR and 1.23% in Hits@10 over the strongest baseline. Qualitative analysis further shows that HyperRetriever bridges reasoning gaps through adaptive and interpretable n-ary chain construction, benefiting both open and closed-domain QA.

研究の動機と目的

• 複数のエンティティ事実をbinaryグラフだけでは表現しづらい、複雑なRAGの動機付け。
• Relational integrityを保ち推論ステップを削減するためにn-aryハイパーグラフ上で動作するHyperRAGを提案。
• 適応的な取得のための2つの取得パラダイム──HyperRetriever（構造-意味連鎖学習）とHyperMemory（LLM誘導メモリ）を開発。
• HyperRAGをオープンドメインのQAベンチマークとクローズドドメインのWikiTopics CLQAの両方で評価し、精度と効率の利点を示す。

提案手法

• RAGの知識基盤としてn-ary関係ハイパーグラフを導入し、意味の断片化とパス膨張を回避。
• HyperRetrieverはMLPを用いてトピックエンティティとハイパーエッジからの構造信号と意味信号を融合し、クエリ条件付きの関係チェーンを構築。
• HyperRetrieverはn-ary事実から疑似的なバリ triplesを導出し、構造的近接性のために方向性距離符号化（DDE）を適用し、対比的MLPを用いて三つ組の妥当性をスコアリング。
• 閾値設定と密度認識方針による適応的検索で取得の深さと広さを制御。
• HyperMemoryはLLMベースのメモリを活用してハイパーグラフ上のビーム探索を導く。ハイパーエッジとテールエンティティをスコアリングして候補パスを形成。
• 予算を意識した文脈付き生成器が取得された証拠とクエリ文脈を整形し、LLMによる最終回答生成をサポート。

Figure 1 . Structural Comparison of (a) Knowledge Graphs and (b) Hypergraphs. For a given question $q$ , (a) requires 3-hop reasoning over binary facts, while (b) enables single-hop inference via an $n$ -ary relational fact, yielding a more compact and expressive multi-entity representation.

実験結果

リサーチクエスチョン

• RQ1 n-aryハイパーグラフ表現は、RAGにおける二値知識グラフと比較して取得忠実度を改善し推論ステップを削減できるか。
• RQ2 適応的なHyperRetrieverとメモリ誘導HyperMemoryはオープンドメイン・クローズドドメインQAの両方で高い精度と効率を実現できるか。
• RQ3 ハイパーエッジ上の高次推論はRAGの解釈性と証拠追跡にどのような影響を与えるか。
• RQ4 HyperRetrieverとHyperMemoryのQA性能および一般化への比較的影響は。
• RQ5 見たことのないトピックや密度の高い・疎なハイパーグラフへどれだけ一般化できるか。

主な発見

• HyperRAGはWikiTopics CLQAの strongest baselineに対して、平均MRRで2.95％、Hits@10で1.23％の答えの正確性向上を達成。
• HyperRetrieverは学習可能な妥当性スコアリングと適応拡張により、オープン領域QAベンチマーク（例: HotpotQA、MuSiQue）でHyperMemoryを上回る。
• 密度が高くドメインを横断する設定では、HyperRetrieverが顕著な改善を達成（例: 2WikiMultiHopQAで相対F1が11.89％向上）。
• 11トピックに渡る平均MRRの上昇が2.95％、Hits@10の上昇が1.23％となり、第2位ベースラインに対して統計的有意差（p << 0.001）を示す。
• HyperMemoryは一般にHyperRetrieverより下回る傾向があり、n-ary取得におけるLLMパラメトリックメモリより明示的な構造学習の価値を示唆。

Figure 2 . The overall framework of HyperRAG.