論文の概要: GraphReAct: Reasoning and Acting for Multi-step Graph Inference

• arxiv url: http://arxiv.org/abs/2605.07357v1
• Date: Fri, 08 May 2026 07:09:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.878823
• Title: GraphReAct: Reasoning and Acting for Multi-step Graph Inference
• Title（参考訳）: GraphReAct: マルチステップグラフ推論のための推論と実行
• Authors: Xingtong Yu, Zhongwei Kuai, Chang Zhou, Xuanting Xie, Renhe Jiang, Xikun Zhang, Hong Cheng, Xinming Zhang, Yuan Fang,
• Abstract要約: GraphReActは、グラフ構造化データに対するステップバイステップの推論を可能にするグラフ推論実行フレームワークである。 検索と精細化の両方で推論をインターリーブすることで、我々のフレームワークは文脈拡張から圧縮への進歩的な移行を可能にします。
• 参考スコア（独自算出の注目度）: 49.26607058250454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reasoning-acting frameworks enhance large language models (LLMs) by interleaving reasoning with actions for dynamic information acquisition. However, extending this paradigm to graph learning remains underexplored. Graph data is inherently structured, with information distributed across nodes and edges and encoded through both topology and latent representations. As a result, effective reasoning over graphs requires not only retrieving informative evidence from the graph, but also progressively refining the accumulated context during multi-step inference. In this work, we propose GraphReAct, a graph reasoning-acting framework that enables step-by-step inference over graph-structured data. Specifically, we design a graph-based action space with two complementary retrieval actions: topological retrieval, which captures local structural dependencies, and semantic retrieval, which accesses non-local but relevant evidence in the representation space. These actions dynamically expand the reasoning context. To further support multi-step reasoning, we introduce another type of action, context refinement, which distills and reorganizes accumulated information into a compact representation. By interleaving reasoning with both retrieval and refinement actions, our framework enables a progressive transition from context expansion to compression. Extensive experiments on six benchmark datasets demonstrate that GraphReAct consistently outperforms state-of-the-art methods, validating the effectiveness of reasoning-acting for graph learning.
• Abstract（参考訳）: Reasoning-acting frameworkは、動的情報取得のためのアクションと推論をインターリーブすることによって、大きな言語モデル(LLM)を強化する。 しかし、このパラダイムをグラフ学習に拡張することはまだ未定である。 グラフデータは本質的に構造化されており、情報はノードとエッジに分散し、トポロジと潜在表現の両方を通してエンコードされる。 結果として、グラフ上の効果的な推論は、グラフから情報的証拠を取得するだけでなく、多段階の推論中に蓄積されたコンテキストを徐々に改善する必要がある。 本研究では,グラフ構造化データに対するステップバイステップの推論を可能にするグラフ推論処理フレームワークであるGraphReActを提案する。 具体的には、局所的な構造的依存関係をキャプチャするトポロジカル検索と、表現空間の非局所的かつ関連するエビデンスにアクセスするセマンティック検索という、2つの補完的な検索アクションを持つグラフベースのアクション空間を設計する。 これらの行動は推論コンテキストを動的に拡張する。 マルチステップ推論をさらに支援するために,蓄積した情報を蒸留してコンパクトな表現に再編成する,別のタイプのアクションであるコンテキスト改善を導入する。 検索と精細化の両方で推論をインターリーブすることで、我々のフレームワークは文脈拡張から圧縮への進歩的な移行を可能にします。 6つのベンチマークデータセットに対する大規模な実験により、GraphReActは最先端の手法を一貫して上回り、グラフ学習における推論実行の有効性を検証している。

関連論文リスト

• ProGraph-R1: Progress-aware Reinforcement Learning for Graph Retrieval Augmented Generation [37.11787010202267]
  ProGraph-R1は,グラフベースの検索と多段階推論のためのプログレッシブ・エージェント・フレームワークである。 ProGraph-R1は、意味的関連性とグラフ接続性について共同で検討する構造対応のハイパーグラフ検索機構を導入している。 マルチホップ質問応答ベンチマークの実験では、ProGraph-R1は既存のGraphRAG法よりも推論精度と生成品質を一貫して改善している。
  論文  参考訳（メタデータ） (2026-01-25T08:58:44Z)
• Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
  グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-23T05:41:05Z)
• ENGAGE: Explanation Guided Data Augmentation for Graph Representation Learning [34.23920789327245]
  本稿では,グラフのキー部分を保存するために,コントラスト的な拡張過程を導出するENGAGEを提案する。 また、構造情報と特徴情報を摂動するグラフ上に2つのデータ拡張スキームを設計する。
  論文  参考訳（メタデータ） (2023-07-03T14:33:14Z)
• Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
  汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。 ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-04T16:04:41Z)
• Scene Graph Modification as Incremental Structure Expanding [61.84291817776118]
  本研究では,既存のシーングラフを自然言語クエリに基づいて更新する方法を学習するために,シーングラフ修正(SGM)に注目した。 インクリメンタル構造拡張(ISE)の導入によるグラフ拡張タスクとしてのSGM 既存のデータセットよりも複雑なクエリと大きなシーングラフを含む、挑戦的なデータセットを構築します。
  論文  参考訳（メタデータ） (2022-09-15T16:26:14Z)
• Graph Collaborative Reasoning [18.45161138837384]
  グラフ協調推論(GCR)は、論理的推論の観点からグラフ上の関係推論に隣接リンク情報を使用することができる。 そこで我々は,グラフ構造を論理式に変換する簡単な手法を提案し,リンク予測タスクをニューラルネットワーク推論問題に変換する。 本研究の有効性を示すため,一般的なベンチマークデータセットに基づくリンク予測やレコメンデーションなどのグラフ関連タスクの実験を行った。
  論文  参考訳（メタデータ） (2021-12-27T14:27:58Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)

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。