論文の概要: Multi-hop Reasoning and Retrieval in Embedding Space: Leveraging Large Language Models with Knowledge

• arxiv url: http://arxiv.org/abs/2603.13266v1
• Date: Wed, 25 Feb 2026 23:55:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.247216
• Title: Multi-hop Reasoning and Retrieval in Embedding Space: Leveraging Large Language Models with Knowledge
• Title（参考訳）: 埋め込み空間におけるマルチホップ推論と検索:知識による大規模言語モデルの活用
• Authors: Lihui Liu,
• Abstract要約: 埋め込み型検索推論フレームワーク EMBRAG を提案する。 提案手法は,KG推論タスクにおける新しい最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 7.792321858331646
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As large language models (LLMs) continue to grow in size, their abilities to tackle complex tasks have significantly improved. However, issues such as hallucination and the lack of up-to-date knowledge largely remain unresolved. Knowledge graphs (KGs), which serve as symbolic representations of real-world knowledge, offer a reliable source for enhancing reasoning. Integrating KG retrieval into LLMs can therefore strengthen their reasoning by providing dependable knowledge. Nevertheless, due to limited understanding of the underlying knowledge graph, LLMs may struggle with queries that have multiple interpretations. Additionally, the incompleteness and noise within knowledge graphs may result in retrieval failures. To address these challenges, we propose an embedding-based retrieval reasoning framework EMBRAG. In this approach, the model first generates multiple logical rules grounded in knowledge graphs based on the input query. These rules are then applied to reasoning in the embedding space, guided by the knowledge graph, ensuring more robust and accurate reasoning. A reranker model further interprets these rules and refines the results. Extensive experiments on two benchmark KGQA datasets demonstrate that our approach achieves the new state-of-the-art performance in KG reasoning tasks.
• Abstract（参考訳）: 大規模言語モデル(LLM)のサイズが拡大するにつれ、複雑なタスクに対処する能力は大幅に向上した。 しかし、幻覚や最新の知識の欠如といった問題は未解決のままである。 実世界の知識の象徴的な表現として機能する知識グラフ(KG)は、推論を強化するための信頼できる情報源を提供する。 したがって、KG 検索を LLM に統合することで、信頼性の高い知識を提供することで、それらの推論を強化することができる。 それでも、基礎となる知識グラフの理解が限られているため、LLMは複数の解釈を持つクエリに苦労する可能性がある。 さらに、知識グラフ内の不完全性とノイズは、検索に失敗する可能性がある。 これらの課題に対処するために,埋め込み型検索推論フレームワーク EMBRAG を提案する。 このアプローチでは、まず入力クエリに基づいて知識グラフに基づく複数の論理ルールを生成する。 これらのルールは、知識グラフによって導かれる埋め込み空間の推論に適用され、より堅牢で正確な推論が保証される。 リランカモデルはこれらのルールをさらに解釈し、結果を洗練します。 2つのベンチマークKGQAデータセットの大規模な実験は、我々の手法がKG推論タスクにおける新しい最先端性能を達成することを実証している。

関連論文リスト

• Explore-on-Graph: Incentivizing Autonomous Exploration of Large Language Models on Knowledge Graphs with Path-refined Reward Modeling [40.52120101666234]
  Explore-on-Graph(EoG)は、Large Language Modelsが知識グラフのより多様な推論空間を自律的に探索することを可能にするフレームワークである。 EoGは最先端のパフォーマンスを実現し、オープンソースやクローズドソースのLLMよりも優れています。
  論文  参考訳（メタデータ） (2026-02-25T09:35:18Z)
• ProgRAG: Hallucination-Resistant Progressive Retrieval and Reasoning over Knowledge Graphs [2.9539912037183362]
  大きな言語モデル(LLM)は強い推論能力を示すが、幻覚と限られた透明性に苦しむ。 本稿では,複雑な質問をサブクエストに分解し,部分的推論経路を拡張するマルチホップ知識グラフ質問応答(KGQA)フレームワークであるProgRAGを提案する。 3つのよく知られたデータセットの実験により、ProgRAGはマルチホップKGQAで既存のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2025-11-13T12:14:36Z)
• Prompting Large Language Models with Partial Knowledge for Answering Questions with Unseen Entities [43.88784275673178]
  Retrieval-Augmented Generation (RAG) は、Large Language Models (LLMs) におけるパラメトリック知識の補足と置換によって優れた性能を示す 我々は,金の推論経路とその変種が,その答えを含む経路を除去することにより,部分的に関連する知識を構築するためにどのように使用されるかを示す。 我々の覚醒に基づくアプローチは、組み込みベースの類似性に依存する従来の手法よりも優れた実用的効果を示す。
  論文  参考訳（メタデータ） (2025-08-02T09:54:46Z)
• KaLM: Knowledge-aligned Autoregressive Language Modeling via Dual-view Knowledge Graph Contrastive Learning [74.21524111840652]
  本稿では、textitKnowledge-aligned Language Modeling アプローチである textbfKaLM を提案する。 明示的な知識アライメントと暗黙的な知識アライメントという共同目的を通じて、KG知識と整合するように、自己回帰的な大規模言語モデルを微調整する。 特に,本手法は知識駆動型タスクの評価において顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-12-06T11:08:24Z)
• Graph-constrained Reasoning: Faithful Reasoning on Knowledge Graphs with Large Language Models [92.71304585906624]
  大規模言語モデル(LLM)は知識ギャップと幻覚のために忠実な推論に苦しむ。 グラフ制約推論(GCR)は、KGにおける構造的知識とLLMにおける非構造的推論を橋渡しする新しいフレームワークである。 GCRは最先端のパフォーマンスを達成し、追加のトレーニングをすることなく、見えないKGに対して強力なゼロショット一般化性を示す。
  論文  参考訳（メタデータ） (2024-10-16T22:55:17Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• Dual Reasoning: A GNN-LLM Collaborative Framework for Knowledge Graph Question Answering [38.31983923708175]
  我々は、知識グラフ(KGs)の明示的推論のために、グラフニューラルネットワーク(GNN)に基づく外部システムを統合する新しいフレームワークであるDual-Reasoningを提案する。 我々は,DualRが高効率と解釈性を維持しつつ,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-06-03T09:38:28Z)
• KG-RAG: Bridging the Gap Between Knowledge and Creativity [0.0]
  大規模言語モデルエージェント(LMA)は、情報幻覚、破滅的な忘れ込み、長いコンテキストの処理における制限といった問題に直面している。 本稿では,LMAの知識能力を高めるため,KG-RAG (Knowledge Graph-Retrieval Augmented Generation)パイプラインを提案する。 ComplexWebQuestionsデータセットに関する予備実験では、幻覚的コンテンツの削減において顕著な改善が示されている。
  論文  参考訳（メタデータ） (2024-05-20T14:03:05Z)
• Reasoning on Graphs: Faithful and Interpretable Large Language Model Reasoning [104.92384929827776]
  大規模言語モデル(LLM)は複雑なタスクにおいて顕著な推論能力を示している。 彼らは推論中に最新の知識と幻覚を欠いている。 知識グラフ(KG)は、推論のための信頼できる知識源を提供する。
  論文  参考訳（メタデータ） (2023-10-02T10:14:43Z)

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。