論文の概要: Enhancing Metacognitive AI: Knowledge-Graph Population with Graph-Theoretic LLM Enrichment

• arxiv url: http://arxiv.org/abs/2605.16676v1
• Date: Fri, 15 May 2026 22:32:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.905423
• Title: Enhancing Metacognitive AI: Knowledge-Graph Population with Graph-Theoretic LLM Enrichment
• Title（参考訳）: メタ認知AIの強化: グラフ理論 LLM 強化による知識グラフ人口
• Authors: Deniz Askin, Gal Hadar, Brendan Conway-Smith,
• Abstract要約: 本稿では,大規模言語モデル(LLM)アプリケーションに自己指揮型知識修復機能を備えた完全自動化パイプラインであるMetaKGEnrichを紹介する。 システムは、シードクエリからナレッジグラフを構築し、7つのグラフメトリクスを介してスパースリージョンを検出し、TavilyでWebエビデンスを取得し、Neo4jに取り込みます。 Google Research Natural Questions、MS MARCO、Hot-potQAの3つの広く使用されているデータセットからそれぞれ30のクエリでテストされている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Metacognition-the ability to monitor one's own knowledge state, spot gaps, and autonomously fill them--remains largely absent from modern AI. Here, we present MetaKGEnrich, a fully automated pipeline that endows large language model (LLM) applications with self-directed knowledge repair. The system (i) builds knowledge graphs from a seed query, (ii) detects sparse regions via seven graph metrics, (iii) has GPT-4o generate targeted questions, (iv) retrieves web evidence with Tavily and ingests it into Neo4j, and (v) re-answers the query with GraphRAG for GPT-4 to evaluate improvement. Tested on 30 queries from each of three widely-used datasets: Google Research Natural Questions, MS MARCO, and Hot-potQA. MetaKGEnrich improved answer quality in 80% of HotpotQA questions, 87% of Google Research Natural Questions and 83% of MS MARCO questions, while preserving well-supported regions. This proof of concept demonstrates how topological self-diagnosis plus targeted retrieval can advance AI toward humanlike metacognitive learning.
• Abstract（参考訳）: メタ認知(メタ認知) - 自分の知識状態を監視し、ギャップを指摘し、自律的にそれらを埋める能力。 本稿では,大規模言語モデル(LLM)アプリケーションに自己指揮型知識修復機能を備えた完全自動化パイプラインであるMetaKGEnrichを紹介する。 制度 i)シードクエリから知識グラフを構築する。 (ii)7つのグラフメトリクスを介してスパース領域を検出する。 (iii) GPT-4oは対象の質問を生成する。 (iv)TavilyでWeb証拠を回収し、Neo4jに取り込み、 (v) GPT-4 に対して GraphRAG を用いてクエリーを再回答し、改善を評価する。 Google Research Natural Questions、MS MARCO、Hot-potQAの3つの広く使用されているデータセットからそれぞれ30のクエリでテストされている。 MetaKGEnrichは、HotpotQAの80%、Google Research Natural Questionsの87%、MS MARCOの83%で回答の品質を改善した。 この概念の証明は、トポロジカル自己診断とターゲット検索がAIを人間のようなメタ認知学習へと進める方法を示している。

関連論文リスト

• PersonalAI 2.0: Enhancing knowledge graph traversal/retrieval with planning mechanism for Personalized LLM Agents [53.369140518949656]
  外部知識グラフ(KG)の統合により,大規模言語モデル(LLM)ベースのシステムを強化する新しいフレームワークであるPersonalAI 2.0(PAI-2)を紹介する。 提案手法は,動的でマルチステージなクエリ処理パイプラインを組み込むことにより,既存のGraphRAG(Retrieval-Augmented Generation)メソッドの重要な制限に対処する。 グラフアルゴリズム(例えば、BeamSearch、WaterCircles)は、平均6%の標準フラットテンレトリバーよりも優れた結果が得られる一方で、検索計画強化機構は、6つのデータセットにわたるLLM-as-a-Judgeによる障害アルゴリズムに比べて18%向上することを示す。
  論文  参考訳（メタデータ） (2026-05-13T13:06:30Z)
• A Graph-based RAG for Energy Efficiency Question Answering [2.601494241677187]
  本稿では,大規模言語モデル (LLM) をグラフベース検索拡張生成 (RAG) アーキテクチャを用いて問合せ回答を行う。 まず、エネルギー分野におけるガイダンスおよび規制文書から知識グラフ(KG)を自動的に抽出する。 我々は,RAGAsフレームワークの特性と101組の質問応答ペアからなる検証データセット,ドメインエキスパートを用いた人間による検証を実装した。
  論文  参考訳（メタデータ） (2025-11-03T14:55:34Z)
• KERAG: Knowledge-Enhanced Retrieval-Augmented Generation for Advanced Question Answering [26.051374461832964]
  検索型拡張生成(RAG)は大規模言語モデル(LLM)における幻覚を緩和する 我々はKGをベースとした新しいRAGパイプラインであるKERAGについて述べる。 実験の結果、KERAGは最先端のソリューションを約7%上回り、GPT-4o(Tool)を10-21%上回ることがわかった。
  論文  参考訳（メタデータ） (2025-09-05T00:06:00Z)
• Graph-Augmented Reasoning: Evolving Step-by-Step Knowledge Graph Retrieval for LLM Reasoning [55.6623318085391]
  最近の大規模言語モデル(LLM)推論は、限られたドメイン知識、幻覚への感受性、制約された推論深さに悩まされている。 本稿では、ステップワイズ知識グラフ検索とステップワイズ推論の統合に関する最初の研究について述べる。 本稿では,プロセス指向の知識グラフ構築を中心としたフレームワークであるKG-RAR,階層的検索戦略,検索後処理と報酬モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-03T15:20:41Z)
• Combining LLMs and Knowledge Graphs to Reduce Hallucinations in Question Answering [0.0]
  大言語モデル(LLM)と知識グラフ(KG)を組み合わせて、質問応答システムの精度と信頼性を向上させる。 提案手法は,LLM生成クエリの構文的および意味論的妥当性を保証するクエリチェッカーを組み込んだものである。 このアプローチをアクセス可能にするため、ユーザフレンドリーなWebベースのインターフェースが開発されている。
  論文  参考訳（メタデータ） (2024-09-06T10:49:46Z)
• EWEK-QA: Enhanced Web and Efficient Knowledge Graph Retrieval for Citation-based Question Answering Systems [103.91826112815384]
  引用ベースのQAシステムは2つの欠点に悩まされている。 彼らは通常、抽出された知識の源としてWebにのみ依存し、外部の知識ソースを追加することで、システムの効率を損なう。 システムに供給された知識の内容を充実させるため,Web と 効率的な知識グラフ (KG) 検索ソリューション (EWEK-QA) を提案する。
  論文  参考訳（メタデータ） (2024-06-14T19:40:38Z)
• CRAG -- Comprehensive RAG Benchmark [58.15980697921195]
  Retrieval-Augmented Generation (RAG) は、Large Language Model (LLM) の知識不足を緩和するための有望なソリューションとして最近登場した。 既存のRAGデータセットは、現実世界の質問回答(QA)タスクの多様性と動的な性質を適切に表現していない。 このギャップを埋めるために、包括的RAGベンチマーク(CRAG)を導入する。 CRAGは、Webと知識グラフ(KG)検索をシミュレートする4,409組の質問応答ペアとモックAPIの実際の質問応答ベンチマークである。
  論文  参考訳（メタデータ） (2024-06-07T08:43:07Z)
• Knowledge Graph Question Answering for Materials Science (KGQA4MAT): Developing Natural Language Interface for Metal-Organic Frameworks Knowledge Graph (MOF-KG) Using LLM [35.208135795371795]
  材料科学における知識グラフ質問回答のためのベンチマークデータセット(KGQA4MAT)を提案する。 構造データベースと文献から抽出した知識を統合することにより,金属-有機フレームワーク(MOF-KG)の知識グラフを構築した。 我々は、比較、集約、複雑なグラフ構造を含む161の複雑な質問からなるベンチマークを開発した。
  論文  参考訳（メタデータ） (2023-09-20T14:43:43Z)
• Generate then Select: Open-ended Visual Question Answering Guided by World Knowledge [155.81786738036578]
  Open-ended Visual Question Answering (VQA)タスクでは、視覚と自然言語の入力をAIモデルが共同で推論する必要がある。 GPT-3のような事前訓練された言語モデル(PLM)がこのタスクに適用され、強力な世界知識源であることが示されている。 我々は,世界的知識によって導かれるジェネレータ選択戦略をデプロイする新しいVQAパイプラインであるRASOを提案する。
  論文  参考訳（メタデータ） (2023-05-30T08:34:13Z)
• Prophet: Prompting Large Language Models with Complementary Answer Heuristics for Knowledge-based Visual Question Answering [28.763437313766996]
  知識に基づく視覚的質問応答(VQA)は、質問に答えるために、画像以外の外部知識を必要とする。 近年の研究では,暗黙の知識エンジンとして強力な大規模言語モデル (LLM) を用いることで,回答に必要な知識を獲得している。 Prophet - 知識に基づくVQAの解答を促すために設計された,概念的にシンプルで柔軟な,汎用的なフレームワーク。
  論文  参考訳（メタデータ） (2023-03-03T13:05:15Z)

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。