論文の概要: TAG-EQA: Text-And-Graph for Event Question Answering via Structured Prompting Strategies

• arxiv url: http://arxiv.org/abs/2510.01391v1
• Date: Wed, 01 Oct 2025 19:23:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.839801
• Title: TAG-EQA: Text-And-Graph for Event Question Answering via Structured Prompting Strategies
• Title（参考訳）: TAG-EQA:構造化プロンプティング手法によるイベント質問回答のためのテキストとグラフ
• Authors: Maithili Kadam, Francis Ferraro,
• Abstract要約: TAG-EQA(Text-And-Graph for Event Question Answering)は、構造化関係を自然言語文に変換することで、因果イベントグラフを入力に注入するプロンプトフレームワークである。 TORQUESTRAベンチマークでは、TAG-EQAはテキストのみのベースラインよりも平均で5%精度が向上し、ゼロショット設定では最大12%、グラフ拡張CoTプロンプトが有効であれば18%向上する。
• 参考スコア（独自算出の注目度）: 8.898066415702596
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) excel at general language tasks but often struggle with event-based questions-especially those requiring causal or temporal reasoning. We introduce TAG-EQA (Text-And-Graph for Event Question Answering), a prompting framework that injects causal event graphs into LLM inputs by converting structured relations into natural-language statements. TAG-EQA spans nine prompting configurations, combining three strategies (zero-shot, few-shot, chain-of-thought) with three input modalities (text-only, graph-only, text+graph), enabling a systematic analysis of when and how structured knowledge aids inference. On the TORQUESTRA benchmark, TAG-EQA improves accuracy by 5% on average over text-only baselines, with gains up to 12% in zero-shot settings and 18% when graph-augmented CoT prompting is effective. While performance varies by model and configuration, our findings show that causal graphs can enhance event reasoning in LLMs without fine-tuning, offering a flexible way to encode structure in prompt-based QA.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、一般的な言語タスクでは優れているが、イベントベースの質問(特に因果的または時間的推論を必要とするもの)に苦慮することが多い。 TAG-EQA(Text-And-Graph for Event Question Answering)は、構造化関係を自然言語文に変換することで、因果イベントグラフをLSM入力に注入するプロンプトフレームワークである。 TAG-EQAは3つの戦略(ゼロショット、少数ショット、チェーンオブ思想)と3つの入力モダリティ(テキストのみ、グラフのみ、テキスト+グラフ)を組み合わせることで、構造化知識が推論をどのように支援するかを体系的に分析する。 TORQUESTRAベンチマークでは、TAG-EQAはテキストのみのベースラインよりも平均で5%精度が向上し、ゼロショット設定では最大12%、グラフ拡張CoTプロンプトが有効であれば18%向上する。 性能はモデルや構成によって異なるが,我々は因果グラフが微調整なしでLLMのイベント推論を強化し,プロンプトベースのQAで構造をエンコードする柔軟な方法を提供することを示した。

関連論文リスト

• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• DAGR: Decomposition Augmented Graph Retrieval with LLMs [1.034893617526558]
  DAGRは、複雑な質問と、関連するリンクされたサブグラフを抽出するサブクエストにおけるそれらの分解の両方を活用する検索手法である。 結果として得られるGraph-RAGパイプラインは、複雑なマルチホップ質問の処理と、グラフ構造化データに対する効果的な推論に適している。 DAGRを標準マルチホップQAベンチマークで評価し、競合する既存手法に匹敵する性能または優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2025-06-16T11:44:28Z)
• GraphRAG-Causal: A novel graph-augmented framework for causal reasoning and annotation in news [0.48379436447082086]
  GraphRAG-Causalは、グラフベースの検索と大きな言語モデルを組み合わせることで、ニュース分析における因果推論を強化する。 因果分類のF1スコアは82.1%で、わずか20の例で達成されている。 このアプローチは精度と一貫性を大幅に向上させ、ニュース信頼性評価、誤情報検出、ポリシー分析におけるリアルタイムアプリケーションに非常に適している。
  論文  参考訳（メタデータ） (2025-06-13T09:09:08Z)
• Cascading Large Language Models for Salient Event Graph Generation [19.731605612333716]
  CALLMSAEは、SAlient Event Graph生成のためのCAscading Large Language Modelフレームワークである。 まず、LSMにサマリを生成するよう促すことで、サレントイベントを識別する。 次に、イベント関係グラフを生成するための反復的コード改善促進戦略を開発する。 CALLMSAEにより、大規模な自動注釈付きイベントグラフデータセットである textitNYT-SEG を提示する。
  論文  参考訳（メタデータ） (2024-06-26T15:53:54Z)
• Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
  我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。 提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
  論文  参考訳（メタデータ） (2024-06-14T13:28:03Z)
• MinPrompt: Graph-based Minimal Prompt Data Augmentation for Few-shot Question Answering [64.6741991162092]
  オープンドメイン質問応答のための最小限のデータ拡張フレームワークMinPromptを提案する。 我々は、生テキストをグラフ構造に変換し、異なる事実文間の接続を構築する。 次に、グラフアルゴリズムを適用して、原文のほとんどの情報をカバーするのに必要な最小限の文の集合を識別する。 同定された文サブセットに基づいてQAペアを生成し、選択した文に基づいてモデルをトレーニングし、最終モデルを得る。
  論文  参考訳（メタデータ） (2023-10-08T04:44:36Z)
• Knowledge Graph Prompting for Multi-Document Question Answering [46.29217406937293]
  我々は,多文書質問応答(MD-QA)を促す上で,適切なコンテキストを定式化するための知識グラフプロンプティング(KGP)手法を提案する。 グラフ構築のために、パスや文書構造(例えば、ページ/テーブル)を象徴するノードを持つ複数のドキュメントに知識グラフ(KG)を作成する。
  論文  参考訳（メタデータ） (2023-08-22T18:41:31Z)
• Can Language Models Solve Graph Problems in Natural Language? [51.28850846990929]
  大型言語モデル (LLM) は暗黙的なグラフィカル構造を持つ様々なタスクに採用されている。 自然言語をシミュレーションするグラフベース問題解決のベンチマークであるNLGraphを提案する。
  論文  参考訳（メタデータ） (2023-05-17T08:29:21Z)

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。