論文の概要: Graph-Augmented Reasoning with Large Language Models for Tobacco Pest and Disease Management
- arxiv url: http://arxiv.org/abs/2602.02635v1
- Date: Mon, 02 Feb 2026 18:29:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:14.997436
- Title: Graph-Augmented Reasoning with Large Language Models for Tobacco Pest and Disease Management
- Title（参考訳）: タバコ害虫と疾病管理のための大規模言語モデルを用いたグラフ強化推論
- Authors: Siyu Li, Chenwei Song, Qi Zhou, Wan Zhou, Xinyi Liu,
- Abstract要約: 本稿では,タバコ害虫と疾病管理のためのグラフ化推論フレームワークを提案する。
ドメイン固有の知識グラフを構築し、クエリ関連サブグラフを検索し、回答生成中に関係証拠を提供する。
- 参考スコア（独自算出の注目度）: 9.759725097042656
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes a graph-augmented reasoning framework for tobacco pest and disease management that integrates structured domain knowledge into large language models. Building on GraphRAG, we construct a domain-specific knowledge graph and retrieve query-relevant subgraphs to provide relational evidence during answer generation. The framework adopts ChatGLM as the Transformer backbone with LoRA-based parameter-efficient fine-tuning, and employs a graph neural network to learn node representations that capture symptom-disease-treatment dependencies. By explicitly modeling diseases, symptoms, pesticides, and control measures as linked entities, the system supports evidence-aware retrieval beyond surface-level text similarity. Retrieved graph evidence is incorporated into the LLM input to guide generation toward domain-consistent recommendations and to mitigate hallucinated or inappropriate treatments. Experimental results show consistent improvements over text-only baselines, with the largest gains observed on multi-hop and comparative reasoning questions that require chaining multiple relations.
- Abstract（参考訳）: 本稿では,構造化ドメイン知識を大規模言語モデルに統合した,タバコ害虫・病害管理のためのグラフ強化推論フレームワークを提案する。
GraphRAGに基づいてドメイン固有の知識グラフを構築し,クエリ関連サブグラフを検索し,回答生成時の関係証拠を提供する。
このフレームワークでは、ChatGLMをLoRAベースのパラメータ効率の微調整を備えたTransformerバックボーンとして採用し、グラフニューラルネットワークを使用して、症状と障害処理の依存関係をキャプチャするノード表現を学習する。
このシステムは、疾患、症状、殺虫剤、およびコントロール対策を関連エンティティとして明示的にモデル化することにより、表面レベルのテキスト類似性を超えたエビデンス認識検索をサポートする。
検索されたグラフ証拠は、LLM入力に組み込まれ、ドメイン一貫性のあるレコメンデーションへの生成を誘導し、幻覚または不適切な治療を緩和する。
実験の結果,テキストのみのベースラインよりも一貫した改善が見られた。
関連論文リスト
- Knowledge Reasoning of Large Language Models Integrating Graph-Structured Information for Pest and Disease Control in Tobacco [8.03308137619444]
本稿では,タバコ害虫の知識推論にグラフ構造化情報を統合する大規模言語モデル (LLM) を提案する。
提案手法は,ドメイン固有の知識グラフから構造化情報を明示的に組み込むことにより,知識検索と推論を強化する。
論文 参考訳（メタデータ） (2025-12-26T02:48:38Z) - GRAVER: Generative Graph Vocabularies for Robust Graph Foundation Models Fine-tuning [92.19531718298744]
Graph Foundation Models (GFMs) は、さまざまなグラフタスクやドメインにまたがる広範な適用性を約束している。
既存のGFMは不安定な数発の微調整に苦戦している。
本稿では,ロバスト GFM ファインチューニングフレームワーク GRAVER を提案する。
論文 参考訳（メタデータ） (2025-11-05T13:07:26Z) - G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。
最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。
G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
論文 参考訳（メタデータ） (2025-09-29T04:38:12Z) - GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。
抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。
提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
論文 参考訳（メタデータ） (2025-09-20T02:38:00Z) - Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning [32.78218766121055]
グラフ検索拡張生成(GraphRAG)は,複雑な推論において,大規模言語モデルを効果的に拡張した。
本稿では,フレームワーク全体を複雑な統合として結合する,垂直に統一されたエージェントパラダイムYoutu-GraphRAGを提案する。
論文 参考訳（メタデータ） (2025-08-27T13:13:20Z) - 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) - Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。
Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。
本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
論文 参考訳（メタデータ） (2025-05-22T05:15:27Z) - Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。
革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。
属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。
階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
論文 参考訳（メタデータ） (2025-05-20T06:44:34Z) - Causal Graphs Meet Thoughts: Enhancing Complex Reasoning in Graph-Augmented LLMs [4.701165676405066]
関連情報を検索するだけでなく、因果推論や説明可能性の提供も重要である。
本稿では,大きな知識グラフをフィルタして原因効果エッジを強調する新しいパイプラインを提案する。
医学的質問応答タスクの実験では、一貫した利得を示し、最大10%の絶対的な改善がある。
論文 参考訳（メタデータ） (2025-01-24T19:31:06Z)
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。