論文の概要: Reinforced Graph of Thoughts: RL-Driven Adaptive Prompting for LLMs

• arxiv url: http://arxiv.org/abs/2605.22195v1
• Date: Thu, 21 May 2026 09:00:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.177635
• Title: Reinforced Graph of Thoughts: RL-Driven Adaptive Prompting for LLMs
• Title（参考訳）: 思考の強化グラフ: LLMのためのRL駆動適応プロンプト
• Authors: Manuel Noah Riesen, Peter Alfred von Niederhäusern,
• Abstract要約: Graph of Thoughts (GoT) は複雑な問題解決に有用であることが示されている。 本稿では,GoTプロンプトパラダイムに対する自動アプローチであるReinforced Graph of Thoughts (RGoT)を提案する。 その結果、ある制約の下では、タスクの複雑さに適応して、タスクのグラフを自動で構築することが可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph of Thoughts (GoT), a generalized form of recent prompting paradigms for large language models (LLMs), has been shown to be useful for elaborate problem solving. By executing a graph of operations, thoughts of the LLM are structured as an arbitrary graph, forming the actual graph of thoughts. Originally, the graph of operations is defined manually, which requires in-depth knowledge about the solution of the problem to solve. Such a static graph of operations is rigid and therefore lacks adaptability. We propose Reinforced Graph of Thoughts (RGoT), an automated approach to the GoT prompting paradigm that leverages reinforcement learning (RL) to adaptively generate a graph of operations from a human-defined set. Results indicate that, under certain constraints, it is possible to construct graphs of operations adaptively to the task's complexity in an automated way.
• Abstract（参考訳）: 大規模言語モデル(LLM)の近年のプロンプトパラダイムの一般化形式であるGraph of Thoughts (GoT)は、精巧な問題解決に有用であることが示されている。 操作グラフを実行することで、LCMの思考は任意のグラフとして構造化され、実際の思考グラフを形成する。 元々、演算グラフは手動で定義され、解決すべき問題の解に関する詳細な知識を必要とする。 このような静的な演算グラフは厳密であり、従って適応性に欠ける。 本稿では、強化学習(RL)を活用して人間の定義した集合から操作グラフを適応的に生成するGoTプロンプトパラダイムに対する自動アプローチであるReinforced Graph of Thoughts(RGoT)を提案する。 その結果、ある制約の下では、タスクの複雑さに適応して、タスクのグラフを自動で構築することが可能であることが示唆された。

関連論文リスト

• FoGE: Fock Space inspired encoding for graph prompting [27.492121431862596]
  大規模言語モデル(LLM)は、グラフのような構造化データに関する質問を理解し、答えることができる。 既存の提案では、LLMに送信された拡張'プロンプトを生成するために、グラフのいくつかの記述を使用することが多い。 本稿では,Fock空間表現に基づくパラメータフリーグラフエンコーダの利用が,この問題設定において極めて多目的であることを示す。
  論文  参考訳（メタデータ） (2025-06-26T23:48:03Z)
• Graph Counselor: Adaptive Graph Exploration via Multi-Agent Synergy to Enhance LLM Reasoning [4.703280619961521]
  GraphRAGは、知識関係を明示的にモデル化することで、外部知識統合機能を効果的に強化する。 既存の方法には2つの固有の制限がある。 マルチエージェント協調に基づくグラフRAG法であるGraph Counselorを提案する。
  論文  参考訳（メタデータ） (2025-06-04T13:31:21Z)
• What Do LLMs Need to Understand Graphs: A Survey of Parametric Representation of Graphs [69.48708136448694]
  大規模言語モデル(LLM)は、期待される推論能力と推論能力のために、AIコミュニティで再編成されている。 我々は、グラフのこのようなパラメトリック表現、グラフ法則は、LLMがグラフデータを入力として理解させるソリューションであると信じている。
  論文  参考訳（メタデータ） (2024-10-16T00:01:31Z)
• Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
  言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。 本稿では,課題計画のためのグラフ学習に基づく手法について検討する。 我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
  論文  参考訳（メタデータ） (2024-05-29T14:26:24Z)
• Can Language Models Solve Graph Problems in Natural Language? [51.28850846990929]
  大型言語モデル (LLM) は暗黙的なグラフィカル構造を持つ様々なタスクに採用されている。 自然言語をシミュレーションするグラフベース問題解決のベンチマークであるNLGraphを提案する。
  論文  参考訳（メタデータ） (2023-05-17T08:29:21Z)

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。