論文の概要: Guided Navigation in Knowledge-Dense Environments: Structured Semantic Exploration with Guidance Graphs

• arxiv url: http://arxiv.org/abs/2508.10012v1
• Date: Wed, 06 Aug 2025 08:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.004082
• Title: Guided Navigation in Knowledge-Dense Environments: Structured Semantic Exploration with Guidance Graphs
• Title（参考訳）: 知識密度環境におけるガイドナビゲーション:ガイダンスグラフを用いた構造化セマンティック探索
• Authors: Dehao Tao, Guangjie Liu, Weizheng, Yongfeng Huang, Minghu jiang,
• Abstract要約: 本稿では,非構造化クエリと構造化知識検索をブリッジする中間ガイダンスグラフを導入する新しいフレームワークを提案する。 Guidance Graphは、対象の知識の構造を抽象化し、より広い意味的コンテキストを保存することで、検索空間を定義する。 提案手法は,特に複雑なタスクにおいて,SOTAよりも優れた効率と性能を実現する。
• 参考スコア（独自算出の注目度）: 21.84798899012135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Large Language Models (LLMs) exhibit strong linguistic capabilities, their reliance on static knowledge and opaque reasoning processes limits their performance in knowledge intensive tasks. Knowledge graphs (KGs) offer a promising solution, but current exploration methods face a fundamental trade off: question guided approaches incur redundant exploration due to granularity mismatches, while clue guided methods fail to effectively leverage contextual information for complex scenarios. To address these limitations, we propose Guidance Graph guided Knowledge Exploration (GG Explore), a novel framework that introduces an intermediate Guidance Graph to bridge unstructured queries and structured knowledge retrieval. The Guidance Graph defines the retrieval space by abstracting the target knowledge' s structure while preserving broader semantic context, enabling precise and efficient exploration. Building upon the Guidance Graph, we develop: (1) Structural Alignment that filters incompatible candidates without LLM overhead, and (2) Context Aware Pruning that enforces semantic consistency with graph constraints. Extensive experiments show our method achieves superior efficiency and outperforms SOTA, especially on complex tasks, while maintaining strong performance with smaller LLMs, demonstrating practical value.
• Abstract（参考訳）: 大きな言語モデル(LLM)は強力な言語能力を示すが、静的な知識と不透明な推論プロセスに依存しているため、知識集約的なタスクのパフォーマンスが制限される。 知識グラフ(KG)は有望な解決策を提供するが、現在の探索手法は基本的なトレードオフに直面している。 これらの制約に対処するために,非構造化クエリと構造化知識検索をブリッジする中間ガイダンスグラフを導入する新しいフレームワークであるGuidance Graph Guided Knowledge Exploration (GG Explore)を提案する。 ガイダンスグラフは、対象の知識の構造を抽象化し、より広い意味的コンテキストを保持し、正確かつ効率的な探索を可能にすることで、検索空間を定義する。 1) LLM オーバーヘッドのない非互換な候補をフィルタリングする構造アライメント,(2) グラフ制約とのセマンティック一貫性を強制するコンテキストアウェア・プルーニング。 大規模な実験により,本手法はより優れた効率を実現し,特に複雑なタスクにおいてSOTAよりも優れた性能を示すとともに,より小型のLDMで高い性能を維持し,実用的価値を示す。

関連論文リスト

• Mixture of Length and Pruning Experts for Knowledge Graphs Reasoning [9.894106590443714]
  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。
  論文  参考訳（メタデータ） (2025-07-28T03:30:28Z)
• 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)
• KnowTrace: Bootstrapping Iterative Retrieval-Augmented Generation with Structured Knowledge Tracing [64.38243807002878]
  我々は、大規模言語モデルにおけるコンテキスト過負荷を軽減するためのエレガントなRAGフレームワークであるKnowTraceを紹介する。 KnowTraceは、必要な知識三つ子を自律的に追跡して、入力された質問に関連する特定の知識グラフを整理する。 3つのマルチホップ質問応答ベンチマークで、既存のメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-26T17:22:20Z)
• Path Pooling: Training-Free Structure Enhancement for Efficient Knowledge Graph Retrieval-Augmented Generation [19.239478003379478]
  大規模言語モデルは、現実世界の応用において幻覚や知識不足に悩まされる。 本研究では,新しい経路中心プーリング操作を通じて構造情報を導入する学習自由戦略であるパスプーリングを提案する。 プラグイン・アンド・プレイ方式で既存のKG-RAGメソッドにシームレスに統合し、よりリッチな構造情報の利用を可能にする。
  論文  参考訳（メタデータ） (2025-03-07T07:48:30Z)
• In-Context Learning with Topological Information for Knowledge Graph Completion [3.035601871864059]
  我々は,知識グラフの性能を向上させるために,文脈内学習を通じてトポロジ情報を組み込む新しい手法を開発した。 提案手法は,テストグラフデータセット内のノードがトレーニンググラフデータセットに存在するような,トランスダクティブな設定において,高いパフォーマンスを実現する。 提案手法は,ILPC小データセットとILPC大データセットのベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-11T19:29:36Z)
• 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)
• Guideline Learning for In-context Information Extraction [29.062173997909028]
  インコンテキスト情報抽出(IE)は近年,研究コミュニティで注目を集めている。 この欠点の主な理由として,未特定なタスク記述を挙げる。 In-context IEのためのガイドライン学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-08T08:25:16Z)
• Joint Language Semantic and Structure Embedding for Knowledge Graph Completion [66.15933600765835]
  本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。 本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。 各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:41:02Z)
• 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)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)

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。