論文の概要: Leveraging LLM-GNN Integration for Open-World Question Answering over Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2604.13979v1
• Date: Wed, 15 Apr 2026 15:25:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.605012
• Title: Leveraging LLM-GNN Integration for Open-World Question Answering over Knowledge Graphs
• Title（参考訳）: LLM-GNN統合を活用した知識グラフを用いたオープンワールド質問応答
• Authors: Hussein Abdallah, Ibrahim Abdelaziz, Panos Kalnis, Essam Mansour,
• Abstract要約: Open World Question Answering (OW-QA) over knowledge graphs (KGs)は、KGsの不完全または進化に関する質問に答えることを目的としている。 対照的に、オープンワールドのQAでは、グラフ構造とコンテキストに基づいて、不足した知識を推測する必要がある。 GLOWは、学習済みのGNNとオープンワールドKGQAのためのLLMを組み合わせたハイブリッドシステムである。
• 参考スコア（独自算出の注目度）: 9.915081426403216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-world Question Answering (OW-QA) over knowledge graphs (KGs) aims to answer questions over incomplete or evolving KGs. Traditional KGQA assumes a closed world where answers must exist in the KG, limiting real-world applicability. In contrast, open-world QA requires inferring missing knowledge based on graph structure and context. Large language models (LLMs) excel at language understanding but lack structured reasoning. Graph neural networks (GNNs) model graph topology but struggle with semantic interpretation. Existing systems integrate LLMs with GNNs or graph retrievers. Some support open-world QA but rely on structural embeddings without semantic grounding. Most assume observed paths or complete graphs, making them unreliable under missing links or multi-hop reasoning. We present GLOW, a hybrid system that combines a pre-trained GNN and an LLM for open-world KGQA. The GNN predicts top-k candidate answers from the graph structure. These, along with relevant KG facts, are serialized into a structured prompt (e.g., triples and candidates) to guide the LLM's reasoning. This enables joint reasoning over symbolic and semantic signals, without relying on retrieval or fine-tuning. To evaluate generalization, we introduce GLOW-BENCH, a 1,000-question benchmark over incomplete KGs across diverse domains. GLOW outperforms existing LLM-GNN systems on standard benchmarks and GLOW-BENCH, achieving up to 53.3% and an average 38% improvement. GitHub code and data are available.
• Abstract（参考訳）: Open World Question Answering (OW-QA) over knowledge graphs (KGs)は、KGsの不完全または進化に関する質問に答えることを目的としている。 伝統的なKGQAは、KGの中に答えがなければならないクローズドワールドを仮定し、現実の応用性を制限する。 対照的に、オープンワールドのQAでは、グラフ構造とコンテキストに基づいて、不足した知識を推測する必要がある。 大きな言語モデル(LLM)は言語理解に優れるが、構造的推論に欠ける。 グラフニューラルネットワーク(GNN)はグラフトポロジーをモデル化するが、意味論的解釈に苦慮する。 既存のシステムは、LLMをGNNやグラフレトリバーと統合している。 オープンワールドのQAをサポートするものもありますが、セマンティックグラウンドを使わずに構造的な埋め込みに依存しています。 ほとんどの場合、観測された経路や完全なグラフを仮定し、欠落したリンクやマルチホップ推論では信頼できない。 GLOWは、学習済みのGNNとオープンワールドKGQAのためのLLMを組み合わせたハイブリッドシステムである。 GNNはグラフ構造からトップk候補回答を予測する。 これらと関連するKG事実は、LLMの推論を導くために、構造化プロンプト(例えば、トリプルと候補)にシリアライズされる。 これにより、検索や微調整に頼ることなく、記号や意味的な信号に対する共同推論が可能になる。 一般化を評価するために、GLOW-BENCH(GLOW-BENCH)を導入する。 GLOWは、標準ベンチマークやGLOW-BENCHで既存のLLM-GNNシステムより優れており、最大53.3%、平均38%改善している。 GitHubのコードとデータは利用可能だ。

関連論文リスト

• Decoding on Graphs: Faithful and Sound Reasoning on Knowledge Graphs through Generation of Well-Formed Chains [66.55612528039894]
  知識グラフ(KG)は質問応答(QA)のための信頼できる知識ソースとして機能する。 我々は、LLMとKGの深い相乗効果を促進する新しいフレームワークであるDoG(Decoding on Graphs)を提案する。 様々なKGQAタスクに対して異なるバックグラウンドKGを用いた実験により、DoGが優れた、堅牢なパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-24T04:01:40Z)
• A Prompt-Based Knowledge Graph Foundation Model for Universal In-Context Reasoning [17.676185326247946]
  そこで本研究では,テキスト内学習,すなわちKG-ICLを介し,プロンプトに基づくKGファウンデーションモデルを提案する。 クエリにおけるエンティティや関係を発見できないような一般化機能を備えたプロンプトグラフを符号化するために,まず統一トークン化器を提案する。 そこで我々は,プロンプトエンコーディングとKG推論を行う2つのメッセージパッシングニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-10-16T06:47:18Z)
• GNN-RAG: Graph Neural Retrieval for Large Language Model Reasoning [21.057810495833063]
  本稿では,LLMの言語理解能力とGNNの推論能力を組み合わせた検索強化世代(RAG)形式の新しい手法であるGNN-RAGを紹介する。 我々のGNN-RAGフレームワークでは、GNNはグラフ情報を抽出するために高密度なサブグラフ推論器として機能する。 実験により、GNN-RAGは2つの広く使用されているKGQAベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-05-30T15:14:24Z)
• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
  我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• ReasoningLM: Enabling Structural Subgraph Reasoning in Pre-trained Language Models for Question Answering over Knowledge Graph [142.42275983201978]
  本稿では,構造化推論を行うためのGNNを模倣するサブグラフ認識型自己認識機構を提案する。 また、モデルパラメータを2万のサブグラフで合成した質問に適応するための適応チューニング戦略も採用する。 実験により、ReasoningLMは、更新されたパラメータが少なく、トレーニングデータが少ない場合でも、最先端のモデルを大きなマージンで上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-30T07:18:54Z)
• GreaseLM: Graph REASoning Enhanced Language Models for Question Answering [159.9645181522436]
  GreaseLMは、事前訓練されたLMとグラフニューラルネットワークの符号化された表現を、複数の層にわたるモダリティ相互作用操作で融合する新しいモデルである。 GreaseLMは、状況制約と構造化知識の両方の推論を必要とする問題に、より確実に答えることができる。
  論文  参考訳（メタデータ） (2022-01-21T19:00:05Z)

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。