論文の概要: GraphMind: Theorem Selection and Conclusion Generation Framework with Dynamic GNN for LLM Reasoning

• arxiv url: http://arxiv.org/abs/2511.19078v1
• Date: Mon, 24 Nov 2025 13:18:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.208411
• Title: GraphMind: Theorem Selection and Conclusion Generation Framework with Dynamic GNN for LLM Reasoning
• Title（参考訳）: GraphMind: LLM推論のための動的GNNを用いた理論選択と結論生成フレームワーク
• Authors: Yutong Li, Yitian Zhou, Xudong Wang, GuoChen, Caiyan Qin,
• Abstract要約: GraphMindはグラフベースのフレームワークで、グラフニューラルネットワーク(GNN)と大きな言語モデル(LLM)を統合する。 我々のフレームワークは、クローズドループ方式でコンテキスト認識、解釈、構造化推論を可能にする。
• 参考スコア（独自算出の注目度）: 16.104871888682155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have demonstrated impressive capabilities in natural language understanding and generation, including multi-step reasoning such as mathematical proving. However, existing approaches often lack an explicit and dynamic mechanism to structurally represent and evolve intermediate reasoning states, which limits their ability to perform context-aware theorem selection and iterative conclusion generation. To address these challenges, we propose GraphMind, a novel dynamic graph-based framework that integrates the graph neural network (GNN) with LLMs to iteratively select theorems and generate intermediate conclusions for multi-step reasoning. Our method models the reasoning process as a heterogeneous evolving graph, where nodes represent conditions, theorems, and conclusions, while edges capture logical dependencies between nodes. By encoding the current reasoning state with GNN and leveraging semantic matching for theorem selection, our framework enables context-aware, interpretable, and structured reasoning in a closed-loop manner. Experiments on various question-answering (QA) datasets demonstrate that our proposed GraphMind method achieves consistent performance improvements and significantly outperforms existing baselines in multi-step reasoning, validating the effectiveness and generalizability of our approach.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、数学的証明のような多段階の推論を含む、自然言語の理解と生成において印象的な能力を示している。 しかし、既存のアプローチでは、中間的推論状態の構造的表現と進化を明示的かつ動的に行うメカニズムが欠如しており、文脈対応の定理選択と反復的な結論生成を行う能力に制限がある。 これらの課題に対処するために,グラフニューラルネットワーク(GNN)をLLMと統合した新しい動的グラフベースのフレームワークであるGraphMindを提案し,定理を反復的に選択し,多段階推論のための中間的結論を生成する。 提案手法は、ノードが条件、定理、結論を表現し、エッジがノード間の論理的依存関係をキャプチャする不均一な進化グラフとして推論過程をモデル化する。 GNNで現在の推論状態を符号化し、定理選択のセマンティックマッチングを活用することにより、クローズドループ方式で文脈認識、解釈、構造化推論を可能にする。 様々な質問応答(QA)データセットの実験により,提案手法が一貫した性能向上を実現し,既存のベースラインを多段階推論で大幅に上回り,提案手法の有効性と一般化性を検証した。

関連論文リスト

• LogiDynamics: Unraveling the Dynamics of Inductive, Abductive and Deductive Logical Inferences in LLM Reasoning [74.0242521818214]
  本稿では,大言語モデル(LLM)におけるインダクティブ(システム1)と帰納的/帰納的(システム2)の推論の比較力学を体系的に検討する。 我々は、制御されたアナログ推論環境、多様度(テキスト、視覚、記号)、難易度、タスク形式(MCQ/フリーテキスト)を利用する。 我々の分析によると、System 2のパイプラインは一般的に、特に視覚的/象徴的なモダリティや難しいタスクにおいて優れており、System 1はテキストやより簡単な問題に対して競争力がある。
  論文  参考訳（メタデータ） (2025-02-16T15:54:53Z)
• Adaptive Graph of Thoughts: Test-Time Adaptive Reasoning Unifying Chain, Tree, and Graph Structures [0.0]
  本稿では,動的グラフベースの推論フレームワークであるAdaptive Graph of Thoughts (AGoT)を紹介する。 AGoTはテスト時間のみでのLarge Language Models (LLM)推論を強化する。 マルチホップ検索,科学的推論,数学的問題解決にまたがる多様なベンチマークに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-07T16:54:19Z)
• Enhancing Logical Reasoning in Large Language Models through Graph-based Synthetic Data [53.433309883370974]
  本研究では,大規模言語モデルの推論能力を高めるための学習信号としてグラフベースの合成推論データを使用することの可能性と限界について検討する。 2つの確立された自然言語推論タスクにおいて,合成グラフに基づく推論データによる教師付き微調整が,他の標準評価ベンチマークでの有効性を損なうことなく,LLMの推論性能を効果的に向上することを示した。
  論文  参考訳（メタデータ） (2024-09-19T03:39:09Z)
• Generative Explanations for Graph Neural Network: Methods and Evaluations [16.67839967139831]
  グラフニューラルネットワーク(GNN)は、様々なグラフ関連タスクにおいて最先端のパフォーマンスを達成する。 GNNのブラックボックスの性質は、解釈可能性と信頼性を制限している。 GNNの意思決定ロジックを明らかにするために,多くの説明可能性手法が提案されている。
  論文  参考訳（メタデータ） (2023-11-09T22:07:15Z)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• On the Ability of Graph Neural Networks to Model Interactions Between Vertices [14.909298522361306]
  グラフニューラルネットワーク(GNN)は、グラフの頂点として表されるエンティティ間の複雑な相互作用をモデル化するために広く使われている。 近年のGNNの表現力を理論的に分析する試みにもかかわらず、相互作用をモデル化する能力の形式的特徴は欠如している。
  論文  参考訳（メタデータ） (2022-11-29T18:58:07Z)
• Efficient Probabilistic Logic Reasoning with Graph Neural Networks [63.099999467118245]
  マルコフ論理ネットワーク(MLN)は、多くの知識グラフ問題に対処するために用いられる。 MLNの推論は計算集約的であり、MLNの産業規模での応用は非常に困難である。 本稿では,表現力とモデルの単純さとのバランスのよいグラフニューラルネット(GNN)モデルであるExpressGNNを提案する。
  論文  参考訳（メタデータ） (2020-01-29T23:34:36Z)

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。