論文の概要: Schema-Aware Planning and Hybrid Knowledge Toolset for Reliable Knowledge Graph Triple Verification

• arxiv url: http://arxiv.org/abs/2604.04190v1
• Date: Sun, 05 Apr 2026 17:10:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.969113
• Title: Schema-Aware Planning and Hybrid Knowledge Toolset for Reliable Knowledge Graph Triple Verification
• Title（参考訳）: 信頼度の高い知識グラフトリプル検証のためのスキーマ対応計画とハイブリッド知識ツールセット
• Authors: Xinyan Ma, Xianhao Ou, Weihao Zhang, Shixin Jiang, Runxuan Liu, Dandan Tu, Lei Chen, Ming Liu, Bing Qin,
• Abstract要約: 知識グラフ(KG)はAIシステムの重要な基盤として機能するが、自動化された構築は必然的にノイズを導入し、データの信頼性を損なう。 グラフ埋め込みや言語モデルに基づく既存の三重検証手法は、内部構造的制約や外部意味的証拠に依存することにより、単一ソースバイアスに悩まされることが多い。 本研究では,戦略的計画,積極的調査,明確推論のプロセスとして三重検証を再構築する,訓練不要の自律エージェントであるSHARPを提案する。
• 参考スコア（独自算出の注目度）: 31.263531484583805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graphs (KGs) serve as a critical foundation for AI systems, yet their automated construction inevitably introduces noise, compromising data trustworthiness. Existing triple verification methods, based on graph embeddings or language models, often suffer from single-source bias by relying on either internal structural constraints or external semantic evidence, and usually follow a static inference paradigm. As a result, they struggle with complex or long-tail facts and provide limited interpretability. To address these limitations, we propose SHARP (Schema-Hybrid Agent for Reliable Prediction), a training-free autonomous agent that reformulates triple verification as a dynamic process of strategic planning, active investigation, and evidential reasoning. Specifically, SHARP combines a Memory-Augmented Mechanism with Schema-Aware Strategic Planning to improve reasoning stability, and employs an enhanced ReAct loop with a Hybrid Knowledge Toolset to dynamically integrate internal KG structure and external textual evidence for cross-verification. Experiments on FB15K-237 and Wikidata5M-Ind show that SHARP significantly outperforms existing state-of-the-art baselines, achieving accuracy gains of 4.2% and 12.9%, respectively. Moreover, SHARP provides transparent, fact-based evidence chains for each judgment, demonstrating strong interpretability and robustness for complex verification tasks.
• Abstract（参考訳）: 知識グラフ(KG)はAIシステムの重要な基盤として機能するが、自動化された構築は必然的にノイズを導入し、データの信頼性を損なう。 既存の3重検証手法はグラフ埋め込みや言語モデルに基づいており、内部構造的制約や外部意味的エビデンスに頼って単一ソースバイアスに悩まされ、通常は静的推論パラダイムに従う。 その結果、複雑な事実や長い事実に悩まされ、解釈可能性に限界が生じる。 これらの制約に対処するために,戦略的計画,積極的な調査,明確推論のダイナミックなプロセスとして,三重検証を再構築する訓練不要な自律エージェントであるSHARP(Schema-Hybrid Agent for Reliable Prediction)を提案する。 具体的には、SHARPはメモリ拡張メカニズムとスキーマ認識戦略計画を組み合わせて推論安定性を改善し、強化されたReActループとHybrid Knowledge Toolsetを使用して内部KG構造を動的に統合し、相互検証のための外部テキスト証拠を動的に統合する。 FB15K-237とWikidata5M-Indの実験では、SHARPは既存の最先端のベースラインを著しく上回り、それぞれ4.2%と12.9%の精度向上を達成した。 さらに、SHARPは、それぞれの判断に対して透過的で事実に基づくエビデンスチェーンを提供し、複雑な検証タスクに対して強い解釈性と堅牢性を示す。

関連論文リスト

• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Towards Worst-Case Guarantees with Scale-Aware Interpretability [58.519943565092724]
  ニューラルネットワークは、自然データの階層的多スケール構造に従って情報を整理する。 我々は,形式機械と解釈可能性ツールを開発するための統一的な研究課題,即時対応型解釈可能性(enmphscale-aware interpretability)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T01:22:31Z)
• Beyond Accuracy: A Cognitive Load Framework for Mapping the Capability Boundaries of Tool-use Agents [11.65679508751598]
  我々は認知負荷理論に基づくフレームワークを導入し、単純なパフォーマンススコアから診断ツールに移行する。 我々のフレームワークは、タスクの複雑さを2つの定量化可能なコンポーネントに分解します。 評価の結果,認知的負荷の増加に伴い,各モデルの能力境界を正確にマッピングすることが可能になった。
  論文  参考訳（メタデータ） (2026-01-28T09:17:51Z)
• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• RationAnomaly: Log Anomaly Detection with Rationality via Chain-of-Thought and Reinforcement Learning [27.235259453535537]
  RationAnomalyは、Chain-of-Thoughtファインチューニングと強化学習を相乗化することにより、ログの異常検出を強化する新しいフレームワークである。 コードとデータセットを含む、対応するリソースをリリースしました。
  論文  参考訳（メタデータ） (2025-09-18T07:35:58Z)
• SMARTe: Slot-based Method for Accountable Relational Triple extraction [1.2200609701777907]
  三重抽出(RTE)は自然言語処理(NLP)の基本課題である 本稿では,Slot-based Method Account for intrinsic Triple extractを提案する。 解釈可能性を強調する一方で、SMARTeは同等の最先端モデルを実現する。
  論文  参考訳（メタデータ） (2025-04-17T10:21:15Z)
• Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
  本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。 本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。 我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
  論文  参考訳（メタデータ） (2023-01-03T06:47:31Z)

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。