論文の概要: GNNVerifier: Graph-based Verifier for LLM Task Planning

• arxiv url: http://arxiv.org/abs/2603.14730v1
• Date: Mon, 16 Mar 2026 02:05:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.994747
• Title: GNNVerifier: Graph-based Verifier for LLM Task Planning
• Title（参考訳）: GNN Verifier: LLMタスク計画のためのグラフベースの検証器
• Abstract要約: 大規模言語モデル(LLM)は、自律エージェントの開発を促進する。 近年の研究では、潜在的な欠陥を特定し、修正するための計画検証器が導入されている。 既存のほとんどのアプローチは、検証子として LLM に依存している。 LLMタスク計画のためのグラフベースの検証器を提案する。
• 参考スコア（独自算出の注目度）: 26.77252346424261
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) facilitate the development of autonomous agents. As a core component of such agents, task planning aims to decompose complex natural language requests into concrete, solvable sub-tasks. Since LLM-generated plans are frequently prone to hallucinations and sensitive to long-context prom-pts, recent research has introduced plan verifiers to identify and correct potential flaws. However, most existing approaches still rely on an LLM as the verifier via additional prompting for plan review or self-reflection. LLM-based verifiers can be misled by plausible narration and struggle to detect failures caused by structural relations across steps, such as type mismatches, missing intermediates, or broken dependencies. To address these limitations, we propose a graph-based verifier for LLM task planning. Specifically, the proposed method has four major components: Firstly, we represent a plan as a directed graph with enriched attributes, where nodes denote sub-tasks and edges encode execution order and dependency constraints. Secondly, a graph neural network (GNN) then performs structural evaluation and diagnosis, producing a graph-level plausibility score for plan acceptance as well as node/edge-level risk scores to localize erroneous regions. Thirdly, we construct controllable perturbations from ground truth plan graphs, and automatically generate training data with fine-grained annotations. Finally, guided by the feedback from our GNN verifier, we enable an LLM to conduct local edits (e.g., tool replacement or insertion) to correct the plan when the graph-level score is insufficient. Extensive experiments across diverse datasets, backbone LLMs, and planners demonstrate that our GNNVerifier achieves significant gains in improving plan quality. Our data and code is available at https://github.com/BUPT-GAMMA/GNNVerifier.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、自律エージェントの開発を促進する。 このようなエージェントの中核的な構成要素として、タスクプランニングは複雑な自然言語要求を具体的で解決可能なサブタスクに分解することを目的としている。 LLMが生成する計画はしばしば幻覚を起こしやすく、長文のprom-ptsに敏感であるため、最近の研究は潜在的な欠陥を特定し修正するための計画検証器を導入している。 しかし、既存のほとんどのアプローチは、計画レビューや自己回帰のための追加のプロンプトを通じて、LCMを検証手段として頼りにしている。 LLMベースの検証は、単純なナレーションによって誤解され、型ミスマッチ、欠落した中間子、あるいは壊れた依存関係など、ステップ間の構造的関係に起因する失敗を検出するのに苦労する。 これらの制約に対処するため,LLMタスク計画のためのグラフベースの検証器を提案する。 具体的には,提案手法には4つの主要な構成要素がある: まず,ノードがサブタスクを示し,エッジが実行順序と依存性の制約を符号化する,リッチな属性を持つ有向グラフとして計画を表現する。 次に、グラフニューラルネットワーク(GNN)が構造評価と診断を行い、計画受け入れのためのグラフレベルの妥当性スコアとノード/エッジレベルのリスクスコアを生成し、誤った領域をローカライズする。 第三に、地上の真理計画グラフから制御可能な摂動を構築し、微粒なアノテーションでトレーニングデータを自動的に生成する。 最後に、GNN検証装置からのフィードバックによってLLMが局所的な編集(例えば、ツール置換や挿入)を行い、グラフレベルスコアが不十分な場合に計画を修正する。 多様なデータセット、バックボーンLLM、プランナーにわたる大規模な実験は、我々のGNNVerifierがプランの品質向上に大きく貢献することを示した。 私たちのデータとコードはhttps://github.com/BUPT-GAMMA/GNNVerifier.comで公開されています。

関連論文リスト

• GLIP: Graph and LLM Joint Pretraining for Graph-Level Tasks [14.957822216791255]
  グラフニューラルネットワーク(GNN)は,グラフ表現の学習において主流のアプローチとなっている。 大規模言語モデル(LLM)の台頭に伴い、近年の研究では、GNNとLLMの組み合わせが試みられている。 グラフレベルのタスクに対するGraph-LLM JoInt事前学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-29T04:30:45Z)
• Are Large Language Models Suitable for Graph Computation? Progress and Prospects [31.182390464506053]
  グラフ計算のために大規模言語モデル (LLM) が研究されている。 本稿では、ロールベースの分類法を用いて、グラフ計算のためのLLMの総合的なレビューを行う。 我々のレビューでは、LLMは単純で小規模なタスクに対して有望であるが、大規模かつ正確なタスクには信頼できないことが示されている。
  論文  参考訳（メタデータ） (2026-06-05T03:24:38Z)
• Reducing Hallucinations in Complex Question Answering using Simple Graph-based Retrieval-Augmented Generation (long version) [0.0]
  大規模言語モデル(LLM)は、自然言語処理のランドスケープを根本的に変えてきた。 検索拡張世代システム(RAG)は、LLMの「ハロシン化」情報のリスクを回避すべく、一般的な展開シナリオとして登場した。 本研究では,比較的単純なグラフスキーマを用いた軽量グラフ構造を用いて,専用のツールセットを通じてRAGサブシステムをサポートする方法を検討する。
  論文  参考訳（メタデータ） (2026-06-04T09:07:06Z)
• PlanningBench: Generating Scalable and Verifiable Planning Data for Evaluating and Training Large Language Models [52.48858778580074]
  計画は大規模言語モデル(LLM)の基本的な機能である PlanningBenchは、評価とトレーニングの両方のためのスケーラブルで多様な検証可能な計画データを生成するためのフレームワークである。
  論文  参考訳（メタデータ） (2026-05-20T08:10:15Z)
• AGRAG: Advanced Graph-based Retrieval-Augmented Generation for LLMs [15.570965946461255]
  グラフベースの検索強化生成(RAG)は構造化知識でLarge Language Models(LLMs)を増強する大きな可能性を証明している。 既存の手法では、不正確なグラフ構築、不適切な推論能力、不適切な解答の3つの重要な課題に直面している。 本稿では,高度なグラフベースの検索拡張生成フレームワークであるAGRAGを提案する。
  論文  参考訳（メタデータ） (2025-11-02T06:13:06Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• 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)
• 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)
• Scalability Matters: Overcoming Challenges in InstructGLM with Similarity-Degree-Based Sampling [1.2805157669888096]
  提案するSDM-InstructGLMは,GNNに依存することなく,拡張性と効率を向上する命令調整グラフ言語モデル(InstructGLM)フレームワークである。 本手法では,ノード間類似度と次数集中度に基づいてグラフ情報を選択的にサンプリングし,符号化する,類似度に基づくバイアス付きランダムウォーク機構を提案する。 本結果は,LLMのみのグラフ処理の実現可能性を示し,命令ベースの微調整によって最適化されたスケーラブルかつ解釈可能なグラフ言語モデル(GLM)を実現する。
  論文  参考訳（メタデータ） (2025-05-02T06:08:21Z)
• Plan-over-Graph: Towards Parallelable LLM Agent Schedule [53.834646147919436]
  大規模言語モデル(LLM)はタスク計画の推論において例外的な能力を示した。 本稿では,まず実生活のテキストタスクを実行可能なサブタスクに分解し,抽象的なタスクグラフを構築する,新しいパラダイムであるプランオーバーグラフを提案する。 モデルはこのタスクグラフを入力として理解し、並列実行計画を生成する。
  論文  参考訳（メタデータ） (2025-02-20T13:47:51Z)
• Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
  言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。 本稿では,課題計画のためのグラフ学習に基づく手法について検討する。 我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
  論文  参考訳（メタデータ） (2024-05-29T14:26:24Z)

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。