論文の概要: Debate over Mixed-knowledge: A Robust Multi-Agent Framework for Incomplete Knowledge Graph Question Answering

• arxiv url: http://arxiv.org/abs/2511.12208v1
• Date: Sat, 15 Nov 2025 13:31:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.676244
• Title: Debate over Mixed-knowledge: A Robust Multi-Agent Framework for Incomplete Knowledge Graph Question Answering
• Title（参考訳）: 混合知識に関する議論:不完全知識グラフ質問応答のためのロバストなマルチエージェントフレームワーク
• Authors: Jilong Liu, Pengyang Shao, Wei Qin, Fei Liu, Yonghui Yang, Richang Hong,
• Abstract要約: Debate over Mixed-knowledge (DoM)は構造化知識と非構造化知識の動的統合を可能にする新しいフレームワークである。 DoMは専門エージェントを割り当て、知識グラフや外部テキストに対する推論を行う。 実世界の知識更新を活用して構築した,新しいデータセットである不完全知識グラフWebQuestionsを導入する。
• 参考スコア（独自算出の注目度）: 47.57772757457936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graph Question Answering (KGQA) aims to improve factual accuracy by leveraging structured knowledge. However, real-world Knowledge Graphs (KGs) are often incomplete, leading to the problem of Incomplete KGQA (IKGQA). A common solution is to incorporate external data to fill knowledge gaps, but existing methods lack the capacity to adaptively and contextually fuse multiple sources, failing to fully exploit their complementary strengths. To this end, we propose Debate over Mixed-knowledge (DoM), a novel framework that enables dynamic integration of structured and unstructured knowledge for IKGQA. Built upon the Multi-Agent Debate paradigm, DoM assigns specialized agents to perform inference over knowledge graphs and external texts separately, and coordinates their outputs through iterative interaction. It decomposes the input question into sub-questions, retrieves evidence via dual agents (KG and Retrieval-Augmented Generation, RAG), and employs a judge agent to evaluate and aggregate intermediate answers. This collaboration exploits knowledge complementarity and enhances robustness to KG incompleteness. In addition, existing IKGQA datasets simulate incompleteness by randomly removing triples, failing to capture the irregular and unpredictable nature of real-world knowledge incompleteness. To address this, we introduce a new dataset, Incomplete Knowledge Graph WebQuestions, constructed by leveraging real-world knowledge updates. These updates reflect knowledge beyond the static scope of KGs, yielding a more realistic and challenging benchmark. Through extensive experiments, we show that DoM consistently outperforms state-of-the-art baselines.
• Abstract（参考訳）: 知識グラフ質問回答(KGQA)は,構造化知識を活用することで,事実の精度を向上させることを目的としている。 しかし、現実世界の知識グラフ(KG)はしばしば不完全であり、不完全KGQA(IKGQA)の問題につながる。 一般的な解決策は、知識ギャップを埋めるために外部データを組み込むことであるが、既存の手法では複数のソースを適応的かつ文脈的に融合する能力がなく、補完的な強みを完全に活用できない。 そこで我々は,IKGQAのための構造化知識と非構造化知識の動的統合を可能にする新しいフレームワークであるDebate over Mixed-knowledge (DoM)を提案する。 マルチエージェント・ディベート(Multi-Agent Debate)パラダイムに基づいて構築されたDoMは、知識グラフと外部テキストを別々に推論するために特殊なエージェントを割り当て、反復的相互作用を通じて出力をコーディネートする。 入力された質問をサブクエストに分解し、二重エージェント(KGとRetrieval-Augmented Generation, RAG)を介して証拠を検索し、中間回答の評価と集約に判断エージェントを使用する。 このコラボレーションは知識の相補性を生かし、KGの不完全性に対する堅牢性を高める。 さらに、既存のIKGQAデータセットはトリプルをランダムに除去することで不完全性をシミュレートし、現実の知識の不完全性の不規則で予測不可能な性質を捉えられなかった。 これを解決するために,現実世界の知識更新を活用して構築した,不完全な知識グラフWebクエスト(Incomplete Knowledge Graph WebQuestions)というデータセットを導入する。 これらの更新は、KGの静的スコープを超えた知識を反映し、より現実的で挑戦的なベンチマークをもたらす。 広範な実験を通して、DoMは最先端のベースラインを一貫して上回ることを示す。

関連論文リスト

• Towards Open-World Retrieval-Augmented Generation on Knowledge Graph: A Multi-Agent Collaboration Framework [21.896955284099334]
  大きな言語モデル(LLM)は、言語理解と推論において強力な能力を示している。 Retrieval-Augmented Generation (RAG)は、外部知識ソースを組み込むことによって、この制限に対処する。 AnchorRAGは,オープンワールドRAGのための,事前定義されたアンカーエンティティを持たない新しいマルチエージェント協調フレームワークである。
  論文  参考訳（メタデータ） (2025-09-01T08:26:12Z)
• Question-Aware Knowledge Graph Prompting for Enhancing Large Language Models [51.47994645529258]
  本稿では,問合せをGNNアグリゲーションに組み込んでKG関連性を動的に評価するQAP(QA-Aware Knowledge Graph Prompting)を提案する。 実験の結果、QAPは複数のデータセットで最先端の手法よりも優れており、その有効性を強調している。
  論文  参考訳（メタデータ） (2025-03-30T17:09:11Z)
• Uncertainty Management in the Construction of Knowledge Graphs: a Survey [3.5639148953570845]
  知識グラフ(KG)は、データ表現の柔軟性のおかげで、企業にとって重要な資産です。 KGを構築するには、様々な異種情報源から知識を抽出する自動手法に頼るのが一般的である。 騒々しく不確実な世界では、知識は信頼できないかもしれないし、データソース間の衝突が起こるかもしれない。
  論文  参考訳（メタデータ） (2024-05-27T08:22:52Z)
• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
  我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• Learning Federated Neural Graph Databases for Answering Complex Queries from Distributed Knowledge Graphs [53.03085605769093]
  我々は、マルチソースグラフデータに対するプライバシ保護推論を促進する先駆的な体系的フレームワークであるFederated Neural Graph DataBase(FedNGDB)を学習することを提案する。 FedNGDBは、フェデレートされた学習を活用して、複数のソースにわたるグラフ表現を協調的に学習し、エンティティ間の関係を強化し、グラフデータの全体的な品質を改善する。
  論文  参考訳（メタデータ） (2024-02-22T14:57:44Z)

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。