論文の概要: PathISE: Learning Informative Path Supervision for Knowledge Graph Question Answering

• arxiv url: http://arxiv.org/abs/2605.10791v1
• Date: Mon, 11 May 2026 16:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.979481
• Title: PathISE: Learning Informative Path Supervision for Knowledge Graph Question Answering
• Title（参考訳）: PathISE:知識グラフ質問応答のためのインフォーマティブパススーパービジョンの学習
• Authors: Shengxiang Gao, Chao Lei, Jey Han Lau, Jianzhong Qi,
• Abstract要約: 回答レベルラベルから高品質な中間監視を学習するための新しいフレームワークPathISEを提案する。 3つのKGQAベンチマークの大規模な実験は、PathISEが競争力または最先端のKGQA性能を達成することを示している。
• 参考スコア（独自算出の注目度）: 35.58843209572786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Graph Question Answering (KGQA) aims to answer user questions by reasoning over Knowledge Graphs (KGs). Recent KGQA methods mainly follow the retrieval-augmented generation paradigm to ground Large Language Models~(LLMs) with structured knowledge from KGs. However, training effective models to retrieve question-relevant evidence from KGs typically requires high-quality intermediate supervision signals, such as question-relevant paths or subgraphs, which are time- and resource-intensive to obtain. We propose PathISE, a novel framework for learning high-quality intermediate supervision from answer-level labels. PathISE introduces a lightweight transformer-based estimator that estimates the informativeness of relation paths to construct pseudo path-level supervision. This supervision is then distilled into an LLM path generator, whose generated paths are grounded in the KG to provide compact evidence for inductive answer reasoning. ExtensiveISE experiments on three KGQA benchmarks show that PathISE achieves competitive or state-of-the-art KGQA performance, and provides reusable supervision signals that can enhance existing KGQA models, without relying on costly LLM-refined supervision signals. Our source code is available at https://anonymous.4open.science/r/PathISE-2F87.
• Abstract（参考訳）: Knowledge Graph Question Answering (KGQA)は、知識グラフ(KG)を推論することで、ユーザの質問に答えることを目的としている。 近年のKGQA法は,KGの知識を構造化した大規模言語モデル~(LLM)を基盤とした検索拡張生成パラダイムに主に従っている。 しかしながら、KGsから質問関連証拠を取得するための効果的なモデルを訓練するには、一般的に、時間とリソース集約的な質問関連パスやサブグラフのような高品質な中間監視信号が必要である。 回答レベルラベルから高品質な中間監視を学習するための新しいフレームワークPathISEを提案する。 PathISEは、擬似経路レベルの監視を構築するために、関係経路のインフォメーション性を推定する軽量なトランスフォーマーベース推定器を導入する。 この監督をLPM経路生成器に蒸留し、生成した経路をKGに接地させ、帰納的応答推論のコンパクトな証拠を与える。 3つのKGQAベンチマークにおける拡張ISE実験は、PathISEが競争または最先端のKGQA性能を達成し、高価なLCM修正された監視信号に頼ることなく既存のKGQAモデルを拡張可能な再利用可能な監視信号を提供することを示している。 ソースコードはhttps://anonymous.4open.science/r/PathISE-2F87で公開されています。

関連論文リスト

• Ground-Truth Subgraphs for Better Training and Evaluation of Knowledge Graph Augmented LLMs [3.222543736797976]
  SynthKGQAは、あらゆる知識グラフから高品質な合成知識グラフ質問回答データセットを生成するためのフレームワークである。 我々は、KGレトリバーのより情報的なベンチマークを可能にするだけでなく、SynthKGQAで生成されたデータにより、より優れたモデルをトレーニングできることを示す。
  論文  参考訳（メタデータ） (2025-11-06T15:45:18Z)
• 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)
• Enhancing Large Language Models with Reward-guided Tree Search for Knowledge Graph Question and Answering [8.449873147110516]
  大規模言語モデル(LLM)は、知識グラフ質問回答(KGQA)タスクにおいて素晴らしいパフォーマンスを示している。 本稿では、RTSoG(Reward-guided Tree Search on Graph)と呼ばれる、KGQAタスクのための新しい学習不要フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-18T15:52:57Z)
• Question-Aware Knowledge Graph Prompting for Enhancing Large Language Models [51.47994645529258]
  本稿では,問合せをGNNアグリゲーションに組み込んでKG関連性を動的に評価するQAP(QA-Aware Knowledge Graph Prompting)を提案する。 実験の結果、QAPは複数のデータセットで最先端の手法よりも優れており、その有効性を強調している。
  論文  参考訳（メタデータ） (2025-03-30T17:09:11Z)
• KARPA: A Training-free Method of Adapting Knowledge Graph as References for Large Language Model's Reasoning Path Aggregation [2.698553758512034]
  大規模言語モデル(LLM)は様々なタスクにまたがる例外的なパフォーマンスを示すが、幻覚や知識のタイムラインに影響されることが多い。 本稿では,LLMのグローバルな計画能力を活用したKG推論手法であるKARPA(Knowledge Graph Assisted Reasoning Path Aggregation)を提案する。 KARPAはKGQAタスクで最先端のパフォーマンスを実現し、高い効率と精度を提供する。
  論文  参考訳（メタデータ） (2024-12-30T14:58:46Z)
• 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)
• 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)

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。