論文の概要: LogosKG: Hardware-Optimized Scalable and Interpretable Knowledge Graph Retrieval

• arxiv url: http://arxiv.org/abs/2604.18913v1
• Date: Mon, 20 Apr 2026 23:32:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.53808
• Title: LogosKG: Hardware-Optimized Scalable and Interpretable Knowledge Graph Retrieval
• Title（参考訳）: LogosKG: ハードウェア最適化されたスケーラブルで解釈可能な知識グラフ検索
• Authors: He Cheng, Yifu Wu, Saksham Khatwani, Maya Kruse, Dmitriy Dligach, Timothy A. Miller, Majid Afshar, Yanjun Gao,
• Abstract要約: 知識グラフ(KG)は、構造化され検証可能な推論を提供するために、大規模言語モデル(LLM)とますます統合されている。 我々は,大規模KG上でスケーラブルかつ解釈可能なk-hop検索を可能にする,新しいハードウェア対応フレームワークであるLogosKGを紹介する。 実験では、CPUとGPUのベースラインに対して、検索精度を損なうことなく、大幅な効率の向上が示されている。
• 参考スコア（独自算出の注目度）: 11.580147070450067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs (KGs) are increasingly integrated with large language models (LLMs) to provide structured, verifiable reasoning. A core operation in this integration is multi-hop retrieval, yet existing systems struggle to balance efficiency, scalability, and interpretability. We introduce LogosKG, a novel, hardware-aligned framework that enables scalable and interpretable k-hop retrieval on large KGs by building on symbolic KG formulations and executing traversal as hardware-efficient operations over decomposed subject, object, and relation representations. To scale to billion-edge graphs, LogosKG integrates degree-aware partitioning, cross-graph routing, and on-demand caching. Experiments show substantial efficiency gains over CPU and GPU baselines without loss of retrieval fidelity. With proven performance in KG retrieval, a downstream two-round KG-LLM interaction demonstrates how LogosKG enables large-scale, evidence-grounded analysis of how KG topology, such as hop distribution and connectivity, shapes the alignment between structured biomedical knowledge and LLM diagnostic reasoning, thereby opening the door for next-generation KG-LLM integration. The source code is publicly available at https://github.com/LARK-NLP-Lab/LogosKG, and an online demo is available at https://lark-nlp-lab-logoskg.hf.space/.
• Abstract（参考訳）: 知識グラフ(KG)は、構造化され検証可能な推論を提供するために、大規模言語モデル(LLM)とますます統合されている。 この統合の中核となる操作はマルチホップ検索であるが、既存のシステムは効率、スケーラビリティ、解釈可能性のバランスをとるのに苦労している。 我々は,KGの象徴的定式化の上に構築し,分解対象,対象,関係表現に対してハードウェア効率の高い操作としてトラバーサルを実行することにより,大規模KG上でスケーラブルかつ解釈可能なkホップ検索を可能にする,新しいハードウェア対応フレームワークであるLogosKGを紹介した。 数十億のエッジグラフにスケールアップするために、LogosKGは学位対応のパーティショニング、クロスグラフルーティング、オンデマンドキャッシュを統合する。 実験では、CPUとGPUのベースラインに対して、検索精度を損なうことなく、大幅な効率の向上が示されている。 下流の2ラウンドのKG-LLM相互作用は、ホップ分布や接続性などのKGトポロジが構造化されたバイオメディカル知識とLCM診断の整合性をどのように形成し、次世代のKG-LLM統合への扉を開くかを示す。 ソースコードはhttps://github.com/LARK-NLP-Lab/LogosKGで公開されており、オンラインデモはhttps://lark-nlp-lab-logoskg.hf.space/で公開されている。

関連論文リスト

• Can Knowledge-Graph-based Retrieval Augmented Generation Really Retrieve What You Need? [57.28763506780752]
  GraphFlowは、テキストリッチなKGから現実世界のクエリに必要な正確で多様な知識を効率的に取得するフレームワークである。 GPT-4oを含む強力なKG-RAGベースラインを10%上回り、ヒット率とリコール率で上回る。 また、KGを見えないものに強く一般化し、その有効性と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-10-18T17:06:49Z)
• Efficient and Transferable Agentic Knowledge Graph RAG via Reinforcement Learning [18.9814789695716]
  知識グラフ検索強化世代(KG-RAG)は、大きな言語モデル(LLM)と構造化された検証可能な知識グラフ(KG)を結合して幻覚を減らし、推論トレースを公開する。 我々は、強化学習(RL)によるエージェントKG検索増強世代(KG-RAG)フレームワークであるKG-R1を紹介する。 KG-R1は、KGと相互作用する単一のエージェントを環境として利用し、各ステップで学習し、取得した情報をその推論と生成に組み込む。
  論文  参考訳（メタデータ） (2025-09-30T15:14:24Z)
• 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)
• GLTW: Joint Improved Graph Transformer and LLM via Three-Word Language for Knowledge Graph Completion [52.026016846945424]
  我々は、KGの構造情報をエンコードし、それを大規模言語モデルにマージするGLTWと呼ばれる新しい手法を提案する。 具体的には、局所構造情報とグローバル構造情報の両方を効果的に符号化する改良されたグラフ変換器(iGT)を導入する。 また,KG内のすべてのエンティティを分類対象として用いたサブグラフに基づく多分類学習目標を開発し,学習効率を向上する。
  論文  参考訳（メタデータ） (2025-02-17T06:02:59Z)
• 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)
• Distill-SynthKG: Distilling Knowledge Graph Synthesis Workflow for Improved Coverage and Efficiency [59.6772484292295]
  大規模言語モデル(LLM)によって生成される知識グラフ(KG)は、検索・拡張生成(RAG)アプリケーションにとってますます価値が増している。 既存のKG抽出法は、大規模コーパスの処理に非効率なプロンプトベースのアプローチに依存している。 LLMに基づく多段階文書レベルのKGワークフローであるSynthKGを提案する。 我々はまた、RAGのための新しいグラフベースの検索フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-10-22T00:47:54Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)

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。