論文の概要: TRACE: An Experiential Framework for Coherent Multi-hop Knowledge Graph Question Answering

• arxiv url: http://arxiv.org/abs/2604.11193v1
• Date: Mon, 13 Apr 2026 08:49:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.439151
• Title: TRACE: An Experiential Framework for Coherent Multi-hop Knowledge Graph Question Answering
• Title（参考訳）: TRACE:Coherent Multi-hop Knowledge Graph Question Answeringのための経験的フレームワーク
• Authors: Yingxu Wang, Jiaxin Huang, Mengzhu Wang, Nan Yin,
• Abstract要約: KGQA (Multi-hop Knowledge Graph Question Answering) は、関係経路のコヒーレントな推論を必要とする。 既存の手法は、しばしばそれぞれの推論ステップを独立して扱い、事前の探索から経験を効果的に活用することができない。 我々は,マルチホップKGQAのコヒーレンスとロバスト性を高めるために,適応コンテキストと探索事前(TRACE)を用いたトラジェクタウェア推論を提案する。
• 参考スコア（独自算出の注目度）: 28.379106645899608
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-hop Knowledge Graph Question Answering (KGQA) requires coherent reasoning across relational paths, yet existing methods often treat each reasoning step independently and fail to effectively leverage experience from prior explorations, leading to fragmented reasoning and redundant exploration. To address these challenges, we propose Trajectoryaware Reasoning with Adaptive Context and Exploration priors (TRACE), an experiential framework that unifies LLM-driven contextual reasoning with exploration prior integration to enhance the coherence and robustness of multihop KGQA. Specifically, TRACE dynamically translates evolving reasoning paths into natural language narratives to maintain semantic continuity, while abstracting prior exploration trajectories into reusable experiential priors that capture recurring exploration patterns. A dualfeedback re-ranking mechanism further integrates contextual narratives with exploration priors to guide relation selection during reasoning. Extensive experiments on multiple KGQA benchmarks demonstrate that TRACE consistently outperforms state-of-the-art baselines.
• Abstract（参考訳）: KGQA (Multi-hop Knowledge Graph Question Answering) は、リレーショナルパスをまたいだコヒーレントな推論を必要とするが、既存の手法では、それぞれの推論ステップを独立して扱い、事前の探索から経験を効果的に活用することができず、断片化された推論と冗長な探索に繋がる。 これらの課題に対処するため、我々は、マルチホップKGQAのコヒーレンスとロバスト性を高めるために、LLM駆動の文脈推論を事前統合した経験的フレームワークである、適応文脈と探索事前(TRACE)を用いたTrajectoryaware Reasoningを提案する。 具体的には、TRACEは進化する推論経路を自然言語の物語に動的に翻訳し、意味的な連続性を維持すると同時に、探索前の軌道を再利用可能な実験的な事前に抽象化し、反復的な探索パターンをキャプチャする。 二重フィードバックの再ランク付け機構は、推論中の関係選択を導くために、文脈的物語と探索前の物語をさらに統合する。 複数のKGQAベンチマークに対する大規模な実験は、TRACEが一貫して最先端のベースラインを上回っていることを示している。

関連論文リスト

• Learning Structured Reasoning via Tractable Trajectory Control [99.75278337895024]
  Ctrl-Rは、トラクタブルな軌道制御を通じて構造化推論を学ぶためのフレームワークである。 Ctrl-Rは,従来達成できなかった推論パターンを効果的に探索し,内部化することができることを示す。
  論文  参考訳（メタデータ） (2026-03-02T09:18:19Z)
• Reinforcement Learning Enhanced Multi-hop Reasoning for Temporal Knowledge Question Answering [16.044892597109563]
  時間的知識グラフ質問応答(TKGQA)は、時間的制約のあるエンティティ関係に対するマルチホップ推論を含む。 本稿では,MRE(Multi-hop reasoning enhanced, MRE)フレームワークを提案する。 提案したMREモデルが,複雑なマルチホップクエリ処理における最新技術(SOTA)アプローチを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-01-03T14:27:01Z)
• PathMind: A Retrieve-Prioritize-Reason Framework for Knowledge Graph Reasoning with Large Language Models [18.868091458925928]
  提案するPathMindは,LLMを重要な推論経路で選択的に導くことによって,忠実かつ解釈可能な推論を強化するためのフレームワークである。 ベンチマークデータセットに関する大規模な実験は、PathMindが一貫して競争ベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-11-18T08:45:16Z)
• 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)
• Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
  Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。 近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。 提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
  論文  参考訳（メタデータ） (2025-11-12T08:29:39Z)
• A Survey on Parallel Reasoning [58.66122129692264]
  まず、並列推論の形式的定義を示し、その区別をChain-of-Thoughtのような関連する概念と明確にする。 次に、非対話的推論、対話的推論、効率を重視した復号戦略を含む、新しい分類法に基づく高度な手法を編成し、議論する。 並列推論の中核的な課題を強調し,今後の研究の方向性を示唆する。
  論文  参考訳（メタデータ） (2025-10-14T05:42:19Z)
• Improving Context Fidelity via Native Retrieval-Augmented Reasoning [35.50952279309109]
  大規模言語モデル(LLM)は、しばしば文脈の忠実さと闘い、提供された情報に基づいて質問に答えるときに矛盾する答えを生み出す。 提案するCAREは, LLMに対して, モデル独自の検索機能を用いて, 推論プロセス内での文脈内証拠を明示的に統合するように教える, 新たなネイティブ検索拡張推論フレームワークである。 提案手法では,限定ラベル付きエビデンスデータが必要であり,推論チェーン内の戦略的に検索されたインコンテキストトークンを通じて,検索精度と回答生成性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-09-17T04:28:07Z)
• KnowTrace: Bootstrapping Iterative Retrieval-Augmented Generation with Structured Knowledge Tracing [64.38243807002878]
  我々は、大規模言語モデルにおけるコンテキスト過負荷を軽減するためのエレガントなRAGフレームワークであるKnowTraceを紹介する。 KnowTraceは、必要な知識三つ子を自律的に追跡して、入力された質問に関連する特定の知識グラフを整理する。 3つのマルチホップ質問応答ベンチマークで、既存のメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-26T17:22:20Z)
• Path-of-Thoughts: Extracting and Following Paths for Robust Relational Reasoning with Large Language Models [62.12031550252253]
  本稿では,関係推論に対処するための新しいフレームワークであるPath-of-Thoughts(PoT)を提案する。 PoTは、問題コンテキスト内の重要なエンティティ、関係、属性を識別するタスクに依存しないグラフを効率的に抽出する。 PoTは、提案された質問に対応するグラフ内の関連する推論連鎖を特定し、潜在的な答えの推論を容易にする。
  論文  参考訳（メタデータ） (2024-12-23T20:27:12Z)
• Exploiting Hybrid Semantics of Relation Paths for Multi-hop Question Answering Over Knowledge Graphs [31.088325888508137]
  本稿では、関係経路のハイブリッドセマンティクスを利用してマルチホップKGQAを改善することを提案する。 関係経路の明示的なテキスト情報と暗黙的なKG構造を,新規な回転・スケールのエンティティリンク予測フレームワークに基づいて統合する。
  論文  参考訳（メタデータ） (2022-09-02T08:07:37Z)

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。