論文の概要: SGR: A Stepwise Reasoning Framework for LLMs with External Subgraph Generation

• arxiv url: http://arxiv.org/abs/2605.16117v1
• Date: Fri, 15 May 2026 16:02:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.359022
• Title: SGR: A Stepwise Reasoning Framework for LLMs with External Subgraph Generation
• Title（参考訳）: SGR:外部データ生成によるLCMのステップワイズ推論フレームワーク
• Authors: Xin Zhang, Yang Cao, Baoxing Wu, Kai Song, Siying Li,
• Abstract要約: 大きな言語モデル(LLM)は、翻訳、テキスト生成、質問応答など、多様なNLPアプリケーションにまたがる強力な機能を示している。 本稿では,外部サブグラフ生成によるLCM推論を段階的に向上するフレームワークであるSGRを紹介する。 SGRは、外部知識ベースからクエリ固有のサブグラフを構築し、そのセマンティック構造を使用して、マルチステップ推論をサポートする。
• 参考スコア（独自算出の注目度）: 10.192419467718475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have demonstrated strong capabilities across diverse NLP applications, such as translation, text generation, and question answering. Nevertheless, they remain limited in complex settings that demand deep reasoning and logical inference. Since these models are trained on large-scale text corpora, their generation process may still introduce irrelevant, noisy, or factually inconsistent content. To mitigate this problem, we introduce SGR, a stepwise framework that enhances LLM reasoning through external subgraph generation. SGR builds query-specific subgraphs from external knowledge bases and uses their semantic structure to support multi-step inference. By grounding intermediate reasoning steps in structured external knowledge, the framework helps the model concentrate on relevant entities, relations, and supporting evidence. In particular, SGR first constructs a subgraph tailored to the input question. It then guides the model to reason progressively over the generated structure and combines multiple reasoning trajectories to obtain the final prediction. Experimental results across several benchmark datasets show that SGR achieves consistent improvements over competitive baselines, highlighting its value for improving both reasoning accuracy and factual reliability.
• Abstract（参考訳）: 大きな言語モデル(LLM)は、翻訳、テキスト生成、質問応答など、多様なNLPアプリケーションにまたがる強力な機能を示している。 それでも、深い推論と論理的推論を必要とする複雑な設定では限定的である。 これらのモデルは大規模テキストコーパスで訓練されているため、生成プロセスはいまだに無関係、うるさい、あるいは現実的に一貫性のない内容を導入する可能性がある。 この問題を軽減するために,外部サブグラフ生成によるLCM推論を段階的に強化するフレームワークであるSGRを導入する。 SGRは、外部知識ベースからクエリ固有のサブグラフを構築し、そのセマンティック構造を使用して、マルチステップ推論をサポートする。 構造的外部知識の中間的推論ステップを基礎にすることで、このフレームワークはモデルが関連するエンティティ、関係、そして証拠を支持することに集中するのに役立ちます。 特に、SGRは入力問題に適した部分グラフを最初に構築する。 その後、モデルが生成した構造を段階的に解析し、複数の推論軌道を結合して最終的な予測を得るように誘導する。 いくつかのベンチマークデータセットの実験的結果は、SGRが競合ベースラインよりも一貫した改善を達成し、推論精度と事実信頼性の両方を改善する価値を強調していることを示している。

関連論文リスト

• Multi-Step Semantic Reasoning in Generative Retrieval [50.65947993017158]
  生成検索(GR)モデルは、モデルパラメータ内のコーパスを符号化し、所定のクエリに対して関連するドキュメント識別子を生成する。 既存のGRモデルは、財務報告に対するセマンティック推論など、数値的な文脈で複雑なクエリに苦しむ。 GR内の数値文脈における多段階意味推論を強化するためのフレームワークであるReasonGRを提案する。
  論文  参考訳（メタデータ） (2026-03-12T18:38:50Z)
• A Stepwise-Enhanced Reasoning Framework for Large Language Models Based on External Subgraph Generation [12.27505872942231]
  大規模言語モデル(LLM)は、幅広い自然言語処理タスクにおいて強力なパフォーマンスを実現している。 外部サブグラフ生成に基づくLCMの段階的推論拡張フレームワークを提案する。 構造化された部分グラフに対して段階的に推論を行うことにより、SGRはノイズ情報の影響を低減し、推論精度を向上させる。
  論文  参考訳（メタデータ） (2025-12-29T10:35:53Z)
• RouteRAG: Efficient Retrieval-Augmented Generation from Text and Graph via Reinforcement Learning [69.87510139069218]
  Retrieval-Augmented Generation (RAG)は、非パラメトリック知識をLarge Language Models (LLM)に統合する 強化学習(RL)による多ターン推論へのテキストベースRAGの進歩 LLMがマルチターンおよび適応的なグラフテキストハイブリッドRAGを実現するためのRLベースのフレームワークであるモデルを導入する。
  論文  参考訳（メタデータ） (2025-12-10T10:05:31Z)
• G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
  大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。 最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T04:38:12Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
  Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。 逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。 この調査は両鎖を統一的推論-検索の観点から合成する。
  論文  参考訳（メタデータ） (2025-07-13T03:29:41Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• CausalRAG: Integrating Causal Graphs into Retrieval-Augmented Generation [22.577803166304133]
  CausalRAGは因果グラフを検索プロセスに組み込む新しいフレームワークである。 因果関係の構築と追跡により、CausalRAGは文脈連続性を保ち、検索精度を向上させる。 本研究は,因果推論における接地探索が,知識集約型タスクに有望なアプローチをもたらすことを示唆している。
  論文  参考訳（メタデータ） (2025-03-25T17:43:08Z)
• RAS: Retrieval-And-Structuring for Knowledge-Intensive LLM Generation [46.237206695937246]
  本稿では,クエリ固有の知識グラフを動的に構築するフレームワークであるRetrieval-And-Structuring (RAS)を提案する。 7つの知識集約ベンチマークでは、RASは一貫して強力なベースラインを上回っている。 この結果から,動的クエリ固有知識構造化は,言語モデル生成における推論精度と堅牢性を向上させるための堅牢な経路を提供することが示された。
  論文  参考訳（メタデータ） (2025-02-16T05:01:49Z)

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。