論文の概要: HyDRA: A Hybrid-Driven Reasoning Architecture for Verifiable Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2507.15917v1
• Date: Mon, 21 Jul 2025 17:57:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:13.818185
• Title: HyDRA: A Hybrid-Driven Reasoning Architecture for Verifiable Knowledge Graphs
• Title（参考訳）: HyDRA: 検証可能な知識グラフのためのハイブリッド駆動推論アーキテクチャ
• Authors: Adrian Kaiser, Claudiu Leoveanu-Condrei, Ryan Gold, Marius-Constantin Dinu, Markus Hofmarcher,
• Abstract要約: この研究は、自動知識グラフ(KG)構築の信頼性を向上させるために、ハイブリッド駆動アーキテクチャに貢献している。 検証可能なKG自動化のために設計されたHyDRA, a $textbfHy$brid-$textbfD$riven $textbfR$easoning $textbfA$rchitectureを提案する。
• 参考スコア（独自算出の注目度）: 2.2214233723882555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The synergy between symbolic knowledge, often represented by Knowledge Graphs (KGs), and the generative capabilities of neural networks is central to advancing neurosymbolic AI. A primary bottleneck in realizing this potential is the difficulty of automating KG construction, which faces challenges related to output reliability, consistency, and verifiability. These issues can manifest as structural inconsistencies within the generated graphs, such as the formation of disconnected $\textit{isolated islands}$ of data or the inaccurate conflation of abstract classes with specific instances. To address these challenges, we propose HyDRA, a $\textbf{Hy}$brid-$\textbf{D}$riven $\textbf{R}$easoning $\textbf{A}$rchitecture designed for verifiable KG automation. Given a domain or an initial set of documents, HyDRA first constructs an ontology via a panel of collaborative neurosymbolic agents. These agents collaboratively agree on a set of competency questions (CQs) that define the scope and requirements the ontology must be able to answer. Given these CQs, we build an ontology graph that subsequently guides the automated extraction of triplets for KG generation from arbitrary documents. Inspired by design-by-contracts (DbC) principles, our method leverages verifiable contracts as the primary control mechanism to steer the generative process of Large Language Models (LLMs). To verify the output of our approach, we extend beyond standard benchmarks and propose an evaluation framework that assesses the functional correctness of the resulting KG by leveraging symbolic verifications as described by the neurosymbolic AI framework, $\textit{SymbolicAI}$. This work contributes a hybrid-driven architecture for improving the reliability of automated KG construction and the exploration of evaluation methods for measuring the functional integrity of its output. The code is publicly available.
• Abstract（参考訳）: しばしば知識グラフ(KG)で表される記号的知識と、ニューラルネットワークの生成能力の相乗効果は、神経象徴的AIの進歩の中心である。 この可能性を実現する上での大きなボトルネックは、出力の信頼性、一貫性、検証可能性に関する課題に直面しているKG構築を自動化することの難しさである。 これらの問題は、$\textit{isolated Islands}$のデータの生成や抽象クラスと特定のインスタンスとの不正確な衝突など、生成されたグラフ内の構造上の矛盾として現れる。 これらの課題に対処するため、KG自動化を検証するために設計されたHyDRA, a $\textbf{Hy}$brid-$\textbf{D}$riven $\textbf{R}$easoning $\textbf{A}$rchitectureを提案する。 ドメインまたは初期文書のセットが与えられた後、HyDRAはまず、協調的なニューロシンボリック・エージェントのパネルを通してオントロジーを構築する。 これらのエージェントは、オントロジーが答えることのできるスコープと要求を定義する能力に関する一連の質問(CQ)に共同で合意する。 これらのCQを考慮に入れ、オントロジーグラフを構築し、任意の文書からKG生成のための三重項の自動抽出をガイドする。 提案手法は,DbC(Design-by-contracts)の原則にヒントを得て,検証可能な契約を主制御機構として活用し,Large Language Models(LLMs)の生成過程を制御している。 提案手法は,標準ベンチマークを超えて,ニューロシンボリックAIフレームワークである$\textit{SymbolicAI}$で記述したシンボル的検証を利用して,結果のKGの関数的正当性を評価する評価フレームワークを提案する。 本研究は,KG自動構築の信頼性向上と,その機能的整合性を評価するための評価手法の探索を目的としたハイブリッド型アーキテクチャを提案する。 コードは公開されている。

関連論文リスト

• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [72.44384066166147]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• SymAgent: A Neural-Symbolic Self-Learning Agent Framework for Complex Reasoning over Knowledge Graphs [38.517345561999115]
  SymAgentは、知識グラフと大規模言語モデルとの協調的な拡張を実現する革新的なニューラルシンボリックエージェントフレームワークである。 我々はKGを動的環境として概念化し、複雑な推論タスクを多段階の対話プロセスに変換することにより、KGが推論プロセスに深く参加できるようにする。
  論文  参考訳（メタデータ） (2025-02-05T15:37:05Z)
• Ontology-grounded Automatic Knowledge Graph Construction by LLM under Wikidata schema [60.42231674887294]
  本稿では,Large Language Models (LLMs) を用いた知識グラフ構築のためのオントロジー的アプローチを提案する。 我々は、一貫性と解釈可能性を確保するために、抽出された関係に基づいて、著者によるオントロジーによるKGの基底生成を行う。 我々の研究は、人間の介入を最小限に抑えたスケーラブルなKG建設パイプラインの実現に向けて有望な方向を示し、高品質で人間に解釈可能なKGを生み出す。
  論文  参考訳（メタデータ） (2024-12-30T13:36:05Z)
• Leveraging LLM for Automated Ontology Extraction and Knowledge Graph Generation [3.2513035377783717]
  OntoKGenは、オントロジー抽出と知識グラフ生成のための真のパイプラインである。 OntoKGenは、Neo4jのようなスキーマレスで非リレーショナルなデータベースへのシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2024-11-30T23:11:44Z)
• CBGBench: Fill in the Blank of Protein-Molecule Complex Binding Graph [66.11279161533619]
  CBGBenchは構造ベースドラッグデザイン(SBDD)のベンチマークである 既存のメソッドを属性に基づいて分類することで、CBGBenchは様々な最先端メソッドを実装している。 我々は,これらのモデルを薬物設計に不可欠なタスクに適応させてきた。
  論文  参考訳（メタデータ） (2024-06-16T08:20:24Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• Neural-Symbolic Entangled Framework for Complex Query Answering [22.663509971491138]
  複雑な問合せ応答のためのニューラル・アンド・エンタングルド・フレームワーク(ENeSy)を提案する。 これにより、ニューラルネットワークとシンボリック推論が互いに強化され、カスケードエラーとKGの不完全性が軽減される。 ENeSyは、特にリンク予測タスクのみでトレーニングモデルの設定において、いくつかのベンチマークでSOTA性能を達成する。
  論文  参考訳（メタデータ） (2022-09-19T06:07:10Z)
• QA-GNN: Reasoning with Language Models and Knowledge Graphs for Question Answering [122.84513233992422]
  学習済み言語モデル(LM)と知識グラフ(KG)の知識を用いて質問に答える問題に対処する新しいモデルであるQA-GNNを提案する。 既存のLMとLM+KGモデルに対する改善と、解釈可能で構造化された推論を行う能力を示しています。
  論文  参考訳（メタデータ） (2021-04-13T17:32:51Z)
• Toward Subgraph-Guided Knowledge Graph Question Generation with Graph Neural Networks [53.58077686470096]
  知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。 本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
  論文  参考訳（メタデータ） (2020-04-13T15:43:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。