論文の概要: Mixture of Length and Pruning Experts for Knowledge Graphs Reasoning

• arxiv url: http://arxiv.org/abs/2507.20498v1
• Date: Mon, 28 Jul 2025 03:30:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:57.778176
• Title: Mixture of Length and Pruning Experts for Knowledge Graphs Reasoning
• Title（参考訳）: 知識グラフ推論のための長さとプルーニング専門家の混合
• Authors: Enjun Du, Siyi Liu, Yongqi Zhang,
• Abstract要約: パス探索をパーソナライズする実験用混合フレームワークである textbfMoKGR を提案する。 MoKGRは、トランスダクティブとインダクティブの両方で優れたパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 9.894106590443714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Graph (KG) reasoning, which aims to infer new facts from structured knowledge repositories, plays a vital role in Natural Language Processing (NLP) systems. Its effectiveness critically depends on constructing informative and contextually relevant reasoning paths. However, existing graph neural networks (GNNs) often adopt rigid, query-agnostic path-exploration strategies, limiting their ability to adapt to diverse linguistic contexts and semantic nuances. To address these limitations, we propose \textbf{MoKGR}, a mixture-of-experts framework that personalizes path exploration through two complementary components: (1) a mixture of length experts that adaptively selects and weights candidate path lengths according to query complexity, providing query-specific reasoning depth; and (2) a mixture of pruning experts that evaluates candidate paths from a complementary perspective, retaining the most informative paths for each query. Through comprehensive experiments on diverse benchmark, MoKGR demonstrates superior performance in both transductive and inductive settings, validating the effectiveness of personalized path exploration in KGs reasoning.
• Abstract（参考訳）: 構造化知識リポジトリから新たな事実を推測することを目的とした知識グラフ推論(KG)は,自然言語処理(NLP)システムにおいて重要な役割を果たす。 その効果は、情報的かつ文脈的に関連する推論経路を構築することに依存する。 しかしながら、既存のグラフニューラルネットワーク(GNN)は、厳密でクエリに依存しないパス探索戦略を採用しており、多様な言語コンテキストやセマンティックニュアンスに適応する能力を制限する。 これらの制約に対処するため,(1)クエリの複雑さに応じて候補パス長を適応的に選択および重み付けする長さ専門家の混合,(2)補完的な観点から候補パスを評価するプルーニング専門家の混合,およびクエリ毎の最も情報性の高い経路を保持する。 多様なベンチマークに関する総合的な実験を通じて、MoKGRはトランスダクティブとインダクティブの両方で優れた性能を示し、KGの推論におけるパーソナライズされたパス探索の有効性を検証した。

関連論文リスト

• KGRAG-Ex: Explainable Retrieval-Augmented Generation with Knowledge Graph-based Perturbations [2.287415292857565]
  知識グラフ(KG)は、エンティティとその関係の構造化された意味的にリッチな表現を導入することで、ソリューションを提供する。 KGRAG-Exは,ドメイン固有のKGを活用することにより,現実的なグラウンド化と説明可能性を改善するRAGシステムである。 ユーザクエリが与えられた場合、KGRAG-Exはグラフ内の関連エンティティとセマンティックパスを特定し、擬似パラグラフに変換する。
  論文  参考訳（メタデータ） (2025-07-11T09:35:13Z)
• Reliable Reasoning Path: Distilling Effective Guidance for LLM Reasoning with Knowledge Graphs [14.60537408321632]
  大規模言語モデル(LLM)は、背景知識の不足のため、知識集約的なタスクに苦しむことが多い。 知識グラフをマイニングするためのRCPフレームワークを提案する。 また、その意義に応じて推論経路を評価し、洗練する再考モジュールも導入する。
  論文  参考訳（メタデータ） (2025-06-12T09:10:32Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Graph Retrieval-Augmented LLM for Conversational Recommendation Systems [52.35491420330534]
  G-CRS(Graph Retrieval-Augmented Large Language Model for Conversational Recommender Systems)は、グラフ検索強化世代とテキスト内学習を組み合わせた学習自由フレームワークである。 G-CRSは、タスク固有のトレーニングを必要とせず、既存の手法よりも優れたレコメンデーション性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T03:56:22Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• Exploring & Exploiting High-Order Graph Structure for Sparse Knowledge Graph Completion [20.45256490854869]
  本稿では,エンティティ間の価値ある長距離依存性を自動的にキャプチャできる新しいフレームワークLR-GCNを提案する。 提案手法は、GNNベースの予測器と推論経路蒸留器の2つの主成分からなる。
  論文  参考訳（メタデータ） (2023-06-29T15:35:34Z)
• Dual Semantic Knowledge Composed Multimodal Dialog Systems [114.52730430047589]
  本稿では,MDS-S2という新しいマルチモーダルタスク指向対話システムを提案する。 コンテキスト関連属性と関係知識を知識ベースから取得する。 また、合成された応答表現から意味情報を抽出するために、潜在クエリ変数のセットを考案する。
  論文  参考訳（メタデータ） (2023-05-17T06:33:26Z)
• Multimodal Dialog Systems with Dual Knowledge-enhanced Generative Pretrained Language Model [63.461030694700014]
  マルチモーダルなタスク指向対話システム(DKMD)のための新しい二元的知識強化型事前学習言語モデルを提案する。 提案したDKMDは,2つの知識選択,2つの知識強調型文脈学習,知識強調型応答生成という3つの重要なコンポーネントから構成される。 パブリックデータセットの実験は、最先端の競合相手よりも提案されたDKMDの優位性を検証する。
  論文  参考訳（メタデータ） (2022-07-16T13:02:54Z)
• Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
  本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-01-13T08:25:53Z)

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。