論文の概要: Which bird does not have wings: Negative-constrained KGQA with Schema-guided Semantic Matching and Self-directed Refinement

• arxiv url: http://arxiv.org/abs/2604.14749v1
• Date: Thu, 16 Apr 2026 08:02:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.796076
• Title: Which bird does not have wings: Negative-constrained KGQA with Schema-guided Semantic Matching and Self-directed Refinement
• Title（参考訳）: どの鳥に翼がないか--スキーマ誘導セマンティックマッチングと自己指向リファインメントによる負の制約KGQA
• Authors: Midan Shim, Seokju Hwang, Kaehyun Um, Kyong-Ho Lee,
• Abstract要約: 我々は、NEGative-Constrained (NEST) KGQAという新しいタスクを導入し、各質問は少なくとも1つの負の制約を含む。 また,既存の論理形式は否定を明瞭に表現するのにはあまり適していないため,Python形式の論理形式であるPyLFを設計する。 本稿では,複数制約の質問に特化し,セマンティック・エグゼクタビリティを確保するCUCKOOという新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.784146913646395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models still struggle with faithfulness and hallucinations despite their remarkable reasoning abilities. In Knowledge Graph Question Answering (KGQA), semantic parsing-based approaches address the limitations by understanding constraints in a user's question and converting them into a logical form to execute on a knowledge graph. However, existing KGQA benchmarks and methods are biased toward positive and calculation constraints. Negative constraints are neglected, although they frequently appear in real-world questions. In this paper, we introduce a new task, NEgative-conSTrained (NEST) KGQA, where each question contains at least one negative constraint, and a corresponding dataset, NestKGQA. We also design PyLF, a Python-formatted logical form, since existing logical forms are hardly suitable to express negation clearly while maintaining readability. Furthermore, NEST questions naturally contain multiple constraints. To mitigate their semantic complexity, we present a novel framework named CUCKOO, specialized to multiple-constrained questions and ensuring semantic executability. CUCKOO first generates a constraint-aware logical form draft and performs schema-guided semantic matching. It then selectively applies self-directed refinement only when executing improper logical forms yields an empty result, reducing cost while improving robustness. Experimental results demonstrate that CUCKOO consistently outperforms baselines on both conventional KGQA and NEST-KGQA benchmarks under few-shot settings.
• Abstract（参考訳）: 大きな言語モデルは、その顕著な推論能力にもかかわらず、いまだに忠実さと幻覚に苦しむ。 Knowledge Graph Question Answering (KGQA)において、意味解析に基づくアプローチは、ユーザの質問の制約を理解し、それらを論理形式に変換して知識グラフ上で実行する。 しかし、既存のKGQAベンチマークと手法は、正と計算の制約に偏っている。 否定的な制約は無視されるが、それらは現実世界の質問にしばしば現れる。 本稿では,少なくとも1つの負の制約を含むNEGative-Constrained (NEST) KGQAと,それに対応するデータセットNestKGQAを提案する。 既存の論理形式は、可読性を保ちながら否定を明確に表現するのにはあまり適していないため、Python形式の論理形式であるPyLFも設計する。 さらに、NESTの質問には自然に複数の制約が含まれている。 意味的複雑性を軽減するために,複数の制約のある質問に特化してセマンティック・エグゼクタビリティを確保するCUCKOOという新しいフレームワークを提案する。 CUCKOOはまず制約対応論理形式ドラフトを生成し、スキーマ誘導セマンティックマッチングを実行する。 そして、不適切な論理形式を実行すると空の結果となり、ロバスト性を改善しつつコストを低減させる。 実験の結果,CUCKOO は従来の KGQA と NEST-KGQA のベンチマークのベースラインを数ショット設定で一貫して上回っていることがわかった。

関連論文リスト

• OrLog: Resolving Complex Queries with LLMs and Probabilistic Reasoning [51.58235452818926]
  そこで我々は,論理的推論から述語レベルの妥当性推定を分離するニューロシンボリック検索フレームワークOrLogを紹介する。 大規模言語モデル (LLM) は1つの復号のない前方通過において原子述語に対する可視性スコアを提供し、確率論的推論エンジンはクエリ満足度の後方確率を導出する。
  論文  参考訳（メタデータ） (2026-01-30T15:31:58Z)
• KBQA-R1: Reinforcing Large Language Models for Knowledge Base Question Answering [64.62317305868264]
  テキスト模倣から強化学習によるインタラクション最適化へパラダイムをシフトするフレームワークである textbfKBQA-R1 を提案する。 KBQAを多ターン決定プロセスとして扱うことで,行動のリストを用いて知識ベースをナビゲートすることを学ぶ。 WebQSP、GrailQA、GraphQuestionsの実験では、KBQA-R1が最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-10T17:45:42Z)
• ComLQ: Benchmarking Complex Logical Queries in Information Retrieval [26.606215927237248]
  情報検索システムは,様々なアプリケーションにまたがる情報過負荷をナビゲートする上で重要な役割を担っている。 これらのベンチマークは、現実世界のシナリオにおける複雑なクエリ上でのIRモデルの性能を十分に評価するためには使用できない。 大規模言語モデル(LLM)を利用してtextbfComplex textbfLogical textbfQueries 用の新しいIRデータセット textbfComLQ を構築する手法を提案する。
  論文  参考訳（メタデータ） (2025-11-15T02:58:21Z)
• Interactive Query Answering on Knowledge Graphs with Soft Entity Constraints [10.209426700875866]
  本稿では,クエリに対する元の回答を乱すことなく,ソフト制約を組み込むことで,クエリ応答スコアの調整を目的としたニューラルクエリリランカ(NQR)を提案する。 NQRは対話的に動作し、好まれるエンティティと好ましくないエンティティの漸進的な例に基づいて回答を精査する。 我々の実験は、堅牢なクエリ応答性能を維持しながら、NQRがソフト制約を捕捉できることを実証した。
  論文  参考訳（メタデータ） (2025-08-19T09:09:07Z)
• Effective Instruction Parsing Plugin for Complex Logical Query Answering on Knowledge Graphs [51.33342412699939]
  知識グラフクエリ埋め込み(KGQE)は、不完全なKGに対する複雑な推論のために、低次元KG空間に一階論理(FOL)クエリを埋め込むことを目的としている。 近年の研究では、FOLクエリの論理的セマンティクスをよりよく捉えるために、さまざまな外部情報(エンティティタイプや関係コンテキストなど)を統合している。 コードのようなクエリ命令から遅延クエリパターンをキャプチャする効果的なクエリ命令解析(QIPP)を提案する。
  論文  参考訳（メタデータ） (2024-10-27T03:18:52Z)
• DecAF: Joint Decoding of Answers and Logical Forms for Question Answering over Knowledge Bases [81.19499764899359]
  本稿では,論理形式と直解の両方を共同で生成する新しいフレームワークDecAFを提案する。 DecAFはWebQSP、FreebaseQA、GrailQAベンチマークで新しい最先端の精度を実現している。
  論文  参考訳（メタデータ） (2022-09-30T19:51:52Z)
• Neural-Symbolic Entangled Framework for Complex Query Answering [22.663509971491138]
  複雑な問合せ応答のためのニューラル・アンド・エンタングルド・フレームワーク(ENeSy)を提案する。 これにより、ニューラルネットワークとシンボリック推論が互いに強化され、カスケードエラーとKGの不完全性が軽減される。 ENeSyは、特にリンク予測タスクのみでトレーニングモデルの設定において、いくつかのベンチマークでSOTA性能を達成する。
  論文  参考訳（メタデータ） (2022-09-19T06:07:10Z)
• Logic Embeddings for Complex Query Answering [56.25151854231117]
  skolemisationを用いて効率的なクエリのための存在変数を排除する、複雑なクエリを組み込む新しいアプローチであるlogic embeddedsを提案する。 論理組込みは,大規模で不完全な知識グラフ上でのクエリ応答において競争的に高速かつ正確であり,否定的問合せよりも優れており,特に回答の不確かさのモデリングが向上している。
  論文  参考訳（メタデータ） (2021-02-28T07:52:37Z)

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。