論文の概要: Quantum Knowledge Graph: Modeling Context-Dependent Triplet Validity

• arxiv url: http://arxiv.org/abs/2604.23972v1
• Date: Mon, 27 Apr 2026 02:35:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.703537
• Title: Quantum Knowledge Graph: Modeling Context-Dependent Triplet Validity
• Title（参考訳）: 量子知識グラフ:コンテキスト依存トリプルト妥当性のモデリング
• Authors: Yao Wang, Zixu Geng, Jun Yan,
• Abstract要約: 糖尿病中心のPrimeKGサブグラフを用いてQKGを医薬でインスタンス化する。 我々は,2,788の質問を含むMedReasonのサブセットを用いて,医療質問に対する理性検証パイプラインで評価を行った。
• 参考スコア（独自算出の注目度）: 3.7566694963517087
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Knowledge graphs (KGs) are increasingly used to support large lan guage model (LLM) reasoning, but standard triplet-based KGs treat each relation as globally valid. In many settings, whether a relation should count as evidence depends on the context. We therefore formulate triplet validity as a triplet-specific function of context and refer to this formulation as a Quantum Knowledge Graph (QKG). We instantiate QKG in medicine using a diabetes-centered PrimeKG subgraph, whose 68,651 context-sensitive relations are further annotated with patient-group-specific constraints. We evaluate it in a reasoner--validator pipeline for medical question answering on a KG-grounded subset of MedReason containing 2,788 questions. With Haiku-4.5 as both the Reasoner and the Validator, KG-backed validation significantly improves over a no-validator baseline ($+0.61$ pp), and QKG with context matching yields the largest gain, outperforming both KG validation without context matching ($+0.79$ pp) and the no-validator baseline ($+1.40$ pp; paired McNemar, all $p<0.05$). Under a stronger validator (Qwen-3.6-Plus), the raw QKG gain over the no-validator baseline grows from $+1.40$ pp to $+5.96$ pp; the context-matching gap is non-significant ($p=0.73$) on the raw set but becomes borderline significant ($p=0.05$) after adjustment for knowledge leakage and suspicious questions, consistent with a benchmark-gold ceiling rather than a QKG limitation. Taken together, the results support the view that the value of a KG in LLM-based clinical reasoning lies not merely in storing medically related facts, but in representing whether those facts are applicable to the specific patient context. For reproducibility and further research, we release the curated QKG datasets and source code.\footnote{https://github.com/HKAI-Sci/QKG}
• Abstract（参考訳）: 知識グラフ (KGs) は、大きなランゲージモデル (LLM) 推論をサポートするためにますます使われているが、標準的な三重項ベースのKGは、それぞれの関係をグローバルに有効なものとして扱う。 多くの設定において、関係を証拠として数えるべきかどうかは文脈に依存する。 したがって、三重項妥当性を文脈の三重項固有関数として定式化し、この定式化を量子知識グラフ(QKG)と呼ぶ。 糖尿病中心のPrimeKGサブグラフを用いてQKGを医薬でインスタンス化する。 我々は,2,788の質問を含むMedReasonのKG-groundedサブセット上で,医療質問応答のためのレーダバリデータパイプラインを用いて評価を行った。 Haiku-4.5はReasonerとValidatorの両方として、KGが支援するバリデーションは、非バリデータベースライン(+0.61$ pp)よりも大幅に改善され、コンテキストマッチングを備えたQKGは、コンテキストマッチングなしでのKGバリデーション(+0.79$ pp)と非バリデータベースライン(+1.40$ pp; ペア化されたMcNemar、すべて$p<0.05$)の両方を上回った。 より強力なバリケータ(Qwen-3.6-Plus)の下では、非バリケータベースラインに対するQKGの生の利益は+1.40$ pp から$+5.96$ pp へと増大する。 LLMをベースとした臨床推論におけるKGの価値は、医学的関連事実の保存に限らず、それらの事実が特定の患者コンテキストに適用できるかどうかを示すものである、という見解を支持した。 再現性とさらなる研究のために、キュレートされたQKGデータセットとソースコードをリリースする。 \footnote{https://github.com/HKAI-Sci/QKG}

関連論文リスト

• FinReflectKG - MultiHop: Financial QA Benchmark for Reasoning with Knowledge Graph Evidence [0.0]
  FinReflectKG - FinReflectKG上に構築されたベンチマークであるMultiHop。 我々は、KGから正確な裏付けのある財務アナリストスタイルの質問を生成する。 推論モデルと非推論モデルの両方において、KG誘導による正確な検索は実質的な利得をもたらす。
  論文  参考訳（メタデータ） (2025-10-03T11:19:31Z)
• KG2QA: Knowledge Graph-enhanced Retrieval-augmented Generation for Communication Standards Question Answering [7.079181644378029]
  KG2QAは、細調整された大言語モデル(LLM)とドメイン固有知識グラフ(KG)を統合する質問応答フレームワークである。 ITU-TレコメンデーションとQwen2.5-7B-インストラクトから,高品質な6,587対のQAデータセットを構築した。 我々のKG-RAGパイプラインでは、細調整されたLLMがまずKGから関連する知識を取得し、より正確で現実的な応答を可能にします。
  論文  参考訳（メタデータ） (2025-06-08T08:07:22Z)
• Diagnosing and Addressing Pitfalls in KG-RAG Datasets: Toward More Reliable Benchmarking [63.84117489519164]
  知識グラフ質問 回答システムは、複雑なマルチホップ推論を評価するために高品質なベンチマークに依存している。 広く使われているにもかかわらず、WebQSPやCWQのような一般的なデータセットは、重要な品質問題に悩まされている。 我々はこれらの落とし穴を体系的に解決するLLM-in-the-loopフレームワークであるKGQAGenを紹介する。 本研究は,KGQA評価を推し進めるスケーラブルなフレームワークとして,より厳密なベンチマーク構築とKGQAGenの位置づけを提唱する。
  論文  参考訳（メタデータ） (2025-05-29T14:44:52Z)
• A Review on Knowledge Graphs for Healthcare: Resources, Applications, and Promises [59.4999994297993]
  この総合的なレビューは、医療知識グラフ(HKG)の現状の概要を提供することを目的としている。 我々は,既存のHKGに関する文献を網羅的に分析し,その構築方法,活用技術,応用について考察した。 このレビューは、HKGsが生物医学研究や臨床実践に大きな影響を与える可能性を強調している。
  論文  参考訳（メタデータ） (2023-06-07T21:51:56Z)
• QA-GNN: Reasoning with Language Models and Knowledge Graphs for Question Answering [122.84513233992422]
  学習済み言語モデル(LM)と知識グラフ(KG)の知識を用いて質問に答える問題に対処する新しいモデルであるQA-GNNを提案する。 既存のLMとLM+KGモデルに対する改善と、解釈可能で構造化された推論を行う能力を示しています。
  論文  参考訳（メタデータ） (2021-04-13T17:32:51Z)

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。