論文の概要: Higher-Order Knowledge Representations for Agentic Scientific Reasoning

• arxiv url: http://arxiv.org/abs/2601.04878v1
• Date: Thu, 08 Jan 2026 12:25:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.194895
• Title: Higher-Order Knowledge Representations for Agentic Scientific Reasoning
• Title（参考訳）: エージェント科学的推論のための高次知識表現
• Authors: Isabella A. Stewart, Markus J. Buehler,
• Abstract要約: 本稿では,多義性関係を忠実にエンコードするハイパーグラフに基づく知識表現を構築する手法を提案する。 バイオコンポジット足場上の1,100の写本のコーパスに適用し、161,172個のノードと320,201個のハイパーエッジからなるグローバルなハイパーグラフを構築した。 さらに,ハイパーグラフツールを用いたエージェントシステム,特にノード間制約を用いて,意味論的に離れた概念をブリッジできることを実証した。
• 参考スコア（独自算出の注目度）: 1.1458853556386797
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Scientific inquiry requires systems-level reasoning that integrates heterogeneous experimental data, cross-domain knowledge, and mechanistic evidence into coherent explanations. While Large Language Models (LLMs) offer inferential capabilities, they often depend on retrieval-augmented contexts that lack structural depth. Traditional Knowledge Graphs (KGs) attempt to bridge this gap, yet their pairwise constraints fail to capture the irreducible higher-order interactions that govern emergent physical behavior. To address this, we introduce a methodology for constructing hypergraph-based knowledge representations that faithfully encode multi-entity relationships. Applied to a corpus of ~1,100 manuscripts on biocomposite scaffolds, our framework constructs a global hypergraph of 161,172 nodes and 320,201 hyperedges, revealing a scale-free topology (power law exponent ~1.23) organized around highly connected conceptual hubs. This representation prevents the combinatorial explosion typical of pairwise expansions and explicitly preserves the co-occurrence context of scientific formulations. We further demonstrate that equipping agentic systems with hypergraph traversal tools, specifically using node-intersection constraints, enables them to bridge semantically distant concepts. By exploiting these higher-order pathways, the system successfully generates grounded mechanistic hypotheses for novel composite materials, such as linking cerium oxide to PCL scaffolds via chitosan intermediates. This work establishes a "teacherless" agentic reasoning system where hypergraph topology acts as a verifiable guardrail, accelerating scientific discovery by uncovering relationships obscured by traditional graph methods.
• Abstract（参考訳）: 科学的調査には、異種実験データ、クロスドメイン知識、メカニカルエビデンスをコヒーレントな説明に統合するシステムレベルの推論が必要である。 LLM(Large Language Models)は推論機能を提供するが、構造的な深さを持たない検索拡張コンテキストに依存していることが多い。 伝統的な知識グラフ(KG)は、このギャップを埋めようとしているが、それらのペアの制約は、創発的な物理的な振る舞いを支配する、既約の高次相互作用を捉えない。 そこで本稿では,多義性関係を忠実にエンコードするハイパーグラフに基づく知識表現を構築する手法を提案する。 バイオコンポジット足場上の1,100の写本のコーパスに適用し,本フレームワークは161,172個のノードと320,201個のハイパーエッジからなる大域的なハイパーグラフを構築し,高連結概念ハブを中心に構成されたスケールフリートポロジ(パワー法指数~1.23)を明らかにする。 この表現は、ペアワイズ展開の典型的な組合せ爆発を防ぎ、科学的な定式化の共起コンテキストを明示的に保存する。 さらに,ハイパーグラフトラバースツールを用いたエージェントシステム,特にノード間制約を用いて,意味論的に離れた概念をブリッジできることを実証した。 これらの高次経路を利用することで、キトサン中間体を介してセリウム酸化物とPCLの足場を繋ぐような新しい複合材料のための基底力学仮説をうまく生成する。 この研究は、ハイパーグラフトポロジが検証可能なガードレールとして機能する「教師なし」エージェント推論システムを確立し、従来のグラフ手法で隠された関係を明らかにすることで科学的発見を促進する。

関連論文リスト

• Hypergraph Contrastive Learning for both Homophilic and Heterophilic Hypergraphs [36.44792866509702]
  ハイパーグラフニューラルネットワーク(HNN)は複雑な高次関係を捉えるために広く利用されている。 我々は,新しい教師なしのtextbfHypergraph ctextbfONtrastive Learning framework である textbfHONOR を提案する。
  論文  参考訳（メタデータ） (2025-11-24T05:35:46Z)
• Lost in Tokenization: Context as the Key to Unlocking Biomolecular Understanding in Scientific LLMs [78.18336140706471]
  Sci-LLMは、生物発見を加速するための有望なフロンティアとして登場した。 現在の戦略では生の生体分子配列を処理する際にSci-LLMの推論能力を制限する。 より効果的な戦略は、Sci-LLMに高レベルな構造化コンテキストを提供することである。
  論文  参考訳（メタデータ） (2025-10-27T09:03:21Z)
• Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering [49.43814054718318]
  マルチホップ質問応答 (MHQA) は、正しい回答を得るために複数の経路に散在する知識を統合する必要がある。 従来の検索拡張生成法(RAG)は主に粗い粒度のテキスト意味的類似性に焦点を当てている。 本稿では,HGRAG for MHQAという新しいRAG手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T06:36:13Z)
• Broad Spectrum Structure Discovery in Large-Scale Higher-Order Networks [1.7273380623090848]
  本稿では,大規模ハイパーグラフにおいて,メソスケールの広いスペクトルを効率的に表現し,発見する確率モデルについて紹介する。 低ランク表現を用いたクラス間の潜時相互作用による観測ノードの相互作用をモデル化することにより、我々はリッチな構造パターンを抽出する。 提案モデルは,最先端手法によるリンク予測を改善し,多様な実世界のシステムにおける解釈可能な構造を発見する。
  論文  参考訳（メタデータ） (2025-05-27T20:34:58Z)
• Hyperbolic Hypergraph Neural Networks for Multi-Relational Knowledge Hypergraph Representation [19.14148664582895]
  本稿では,H2GNN(Hyperbolic Hypergraph Neural Network)を提案する。 我々はH2GNNを知識ハイパーグラフに基づく15のベースラインと比較し、ノード分類とリンク予測の両タスクにおいて最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2024-12-11T12:03:33Z)
• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。 帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。 本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。 第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• Accelerating Scientific Discovery with Generative Knowledge Extraction, Graph-Based Representation, and Multimodal Intelligent Graph Reasoning [0.0]
  我々は1000の科学論文からなるデータセットを、オントロジ知識グラフに変換した。 我々はノード度を計算し、コミュニティと接続性を同定し、クラスタリング係数とピボットノード間の重心性を評価した。 グラフは本質的に無スケールの性質を持ち、高連結であり、グラフ推論に使用できる。
  論文  参考訳（メタデータ） (2024-03-18T17:30:27Z)
• Geometry Interaction Knowledge Graph Embeddings [153.69745042757066]
  ユークリッド空間,双曲空間,超球空間間の空間構造を対話的に学習する幾何学的相互作用知識グラフ埋め込み(GIE)を提案する。 提案したGIEは、よりリッチなリレーショナル情報、モデルキー推論パターンをキャプチャし、エンティティ間の表現的セマンティックマッチングを可能にする。
  論文  参考訳（メタデータ） (2022-06-24T08:33:43Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。