論文の概要: GEAKG: Generative Executable Algorithm Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2603.27922v1
• Date: Mon, 30 Mar 2026 00:42:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.179745
• Title: GEAKG: Generative Executable Algorithm Knowledge Graphs
• Title（参考訳）: GEAKG: 生成可能なアルゴリズム知識グラフ
• Authors: Camilo Chacón Sartori, José H. García, Andrei Voicu Tomut, Christian Blum,
• Abstract要約: textitGenerative Executable Algorithm Knowledge Graphs (GEAKG)を紹介する。 GEAKGは、(トポロジーと演算子は、大規模言語モデルによって合成される)、(全てのノードは実行可能コードである)、(学習されたパターンは、ドメイン間でゼロショットを一般化する)、(実行可能コードである)。 2つのケーススタディは、このフレームワーク仮説の具体的な証拠を提供する。
• 参考スコア（独自算出の注目度）: 0.9214658764451348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the context of algorithms for problem solving, procedural knowledge -- the know-how of algorithm design and operator composition -- remains implicit in code, lost between runs, and must be re-engineered for each new domain. Knowledge graphs (KGs) have proven effective for organizing declarative knowledge, yet current KG paradigms provide limited support for representing procedural knowledge as executable, learnable graph structures. We introduce \textit{Generative Executable Algorithm Knowledge Graphs} (GEAKG), a class of KGs whose nodes store executable operators, whose edges encode learned composition patterns, and whose traversal generates solutions. A GEAKG is \emph{generative} (topology and operators are synthesized by a Large Language Model), \emph{executable} (every node is runnable code), and \emph{transferable} (learned patterns generalize zero-shot across domains). The framework is domain-agnostic at the engine level: the same three-layer architecture and Ant Colony Optimization (ACO)-based learning engine can be instantiated across domains, parameterized by a pluggable ontology (\texttt{RoleSchema}). Two case studies -- sharing no domain-specific framework code -- provide concrete evidence for this framework hypothesis: (1)~Neural Architecture Search across 70 cross-dataset transfer pairs on two tabular benchmarks, and (2)~Combinatorial Optimization, where knowledge learned on the Traveling Salesman Problem transfers zero-shot to scheduling and assignment domains. Taken together, the results support that algorithmic expertise can be explicitly represented, learned, and transferred as executable knowledge graphs.
• Abstract（参考訳）: 問題解決のためのアルゴリズムの文脈では、手続き的知識 -- アルゴリズム設計とオペレータ構成のノウハウ -- は、コード内で暗黙的に残り、実行中に失われ、新しいドメインごとに再設計されなければならない。 知識グラフ(KG)は宣言的知識の編成に有効であることが証明されているが、現在のKGパラダイムは手続き的知識を実行可能な学習可能なグラフ構造として表現するための限定的なサポートを提供する。 これはノードが実行可能演算子を格納し、エッジが学習された合成パターンをエンコードし、トラバーサルが解を生成するKGのクラスである。 GEAKG は \emph{generative} (トポロジーと演算子は大規模言語モデルによって合成される)、 \emph{executable} (全てのノードは実行可能コード)、 \emph{transferable} (学習パターンはドメイン間でゼロショットを一般化する)である。 同じ3層アーキテクチャとAnt Colony Optimization(ACO)ベースの学習エンジンは、プラグイン可能なオントロジー(\texttt{RoleSchema})によってパラメータ化され、ドメイン間でインスタンス化することができる。 ドメイン固有のフレームワークコードを共有しない2つのケーススタディ(リンク)は、このフレームワークの仮説の具体的証拠を提供する。(1) - 表付きベンチマークで70のクロスデータセット転送ペアをまたいだニューラルアーキテクチャ検索(リンク)(2) - 複合最適化(リンク)。 まとめると、結果はアルゴリズムの専門知識が、実行可能な知識グラフとして明示的に表現され、学習され、伝達されるのをサポートする。

関連論文リスト

• AutoGraph-R1: End-to-End Reinforcement Learning for Knowledge Graph Construction [60.51319139563509]
  強化学習(RL)を用いたタスクパフォーマンスのKG構築を直接最適化する最初のフレームワークであるAutoGraph-R1を紹介する。 我々は2つの新しいタスク対応報酬関数を設計し、1つは知識担体としてのグラフと、もう1つは知識指標としてのグラフを設計する。 私たちの研究は、構築とアプリケーションの間のループを閉じることが可能であることを示している。
  論文  参考訳（メタデータ） (2025-10-17T06:03:36Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• Enhancing Large Language Model for Knowledge Graph Completion via Structure-Aware Alignment-Tuning [52.78024385391959]
  知識グラフ補完(KGC)は、知識グラフから新しい知識を推測し、予測することを目的としている。 既存の手法は、自然言語とグラフ構造の間の矛盾した表現空間を無視することが多い。 構造認識アライメントチューニングにより,KGCのためのLLMを強化する新しいフレームワークSATを提案する。
  論文  参考訳（メタデータ） (2025-09-01T06:38:11Z)
• 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)
• Can LLMs be Good Graph Judge for Knowledge Graph Construction? [18.05473053134776]
  上記の課題に対処するためのKG構築フレームワークである textbfGraphJudge を提案する。 本フレームワークでは,文書中のノイズ情報を除去するためのエンティティ中心の戦略を設計する。 そして、LLMをグラフ判定器として微調整し、生成したKGの品質を最終的に向上させた。
  論文  参考訳（メタデータ） (2024-11-26T12:46:57Z)
• Investigating Graph Structure Information for Entity Alignment with Dangling Cases [31.779386064600956]
  エンティティアライメントは、異なる知識グラフ(KG)における等価なエンティティを見つけることを目的としている。 Weakly-optimal Graph Contrastive Learning (WOGCL) と呼ばれる新しいエンティティアライメントフレームワークを提案する。 We show that WOGCL are outperforms the current-of-the-art method with pure structure information in traditional (relaxed) and dangling settings。
  論文  参考訳（メタデータ） (2023-04-10T17:24:43Z)
• Interpretable and Efficient Heterogeneous Graph Convolutional Network [27.316334213279973]
  異種情報ネットワーク(HIN)におけるオブジェクトの表現を学習するための、解釈可能で効率的な異種グラフ畳み込みネットワーク(e-HGCN)を提案する。 ie-HGCNは、長さ制限内で可能なすべてのメタパスから、各オブジェクトの有用なメタパスを自動的に抽出することができる。 また、中間HIN変換や近傍の注意を回避して計算コストを削減できる。
  論文  参考訳（メタデータ） (2020-05-27T06:06:00Z)

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。