כתבה
arXiv cs.AI ·
ניתוח שגיאות ב-Graph-RAG
Decoupling Error Attribution in Cloud-Native Graph-RAG: A Data Integrity Diagnostic Framework
חוקרים הציגו שיטה לניתוח שגיאות במערכות Graph-RAG. המחקר מראה כי איכות הנתונים היא הגורם המשמעותי ביותר לשגיאות, ולא האלגוריתמים. החוקרים גילו תופעה חדשה הנקראת Parametric Knowledge Masking Effect (PKME), שבה מודלים עמידים (LLM) משלימים נתיבי אחזור שבורים.
תקציר מקורי באנגליתarXiv:2609.13324v1 Announce Type: cross Abstract: Graph-RAG systems often assume pristine data quality, overlooking the severe impact of perturbations in cloud-native databases. This paper proposes a three-layer decoupled diagnostic framework to orthogonally attribute system errors to reasoning loss, Knowledge Graph (KG) defects, and Cypher generation errors. Evaluated on a spatio-temporal ecological KG of the Southeastern Tibet region with eight defect types, results reveal that data integrity, rather than algorithmic reasoning, is the dominant performance bottleneck, with structural defects degrading system accuracy from 0.93 to 0.39. Crucially, we observe a masking-like phenomenon termed the Parametric Knowledge Masking Effect (PKME), suggesting LLMs compensate for broken retrieval path
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית