論文の概要: Graph Alignment Topology as an Inductive Bias for Grounding Detection

• arxiv url: http://arxiv.org/abs/2605.22963v1
• Date: Thu, 21 May 2026 18:49:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.060101
• Title: Graph Alignment Topology as an Inductive Bias for Grounding Detection
• Title（参考訳）: 接地検出のための誘導バイアスとしてのグラフアライメントトポロジー
• Authors: Paul Landes, Pranav Herur, Adam Cross, Jimeng Sun,
• Abstract要約: 大規模言語モデル(LLM)は、生成した命題がソース文書に関連付けられているかどうかを明示的に検証するよりも、分布的に妥当な継続を生成するように最適化されている。 この帰納バイアスは一般化を可能にするが、参照に関して応答が基底になっているかどうかを符号化しない。 我々は、アライメントトポロジを誘導バイアスとして活用し、メッセージパッシングを用いたアライメント構造をモデル化するためにグラフニューラルネットワーク(GNN)を訓練する。 本手法は, GPT-4o などの基礎的 LLM を含む, 比較されたすべての手法よりも優れた4つの多様な幻覚と質問応答データセットに対して, 最先端の結果を得る。
• 参考スコア（独自算出の注目度）: 14.219133766480695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) are optimized to produce distributionally plausible continuations rather than to explicitly verify whether generated propositions are entailed by source documents. This inductive bias enables generalization, but it does not encode whether responses are grounded with respect to a reference. These issues limit the use of LLMs in domains where strict factual correctness is crucial, such as clinical decision support. Existing hallucination detection approaches improve factuality through retrieval augmentation, self-consistency, or claim verification, but generally do not learn directly over alignment topology. To leverage alignment topology as an inductive bias, we construct aligned bipartite graphs between reference information and LLM outputs and train a graph neural network (GNN) to model alignment structure using message passing. The method achieves state-of-the-art results on four diverse hallucination and question-answering datasets, outperforming all compared methods, including foundational LLMs such as GPT-4o.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、生成した命題がソース文書に関連付けられているかどうかを明示的に検証するよりも、分布的に妥当な継続を生成するように最適化されている。 この帰納バイアスは一般化を可能にするが、参照に関して応答が基底になっているかどうかを符号化しない。 これらの課題は、臨床的意思決定支援など、厳密な事実的正当性が重要である領域におけるLSMの使用を制限する。 既存の幻覚検出アプローチは、検索強化、自己整合性、クレーム検証を通じて事実性を向上するが、概してアライメントトポロジーを直接学ばない。 本研究では、アライメントトポロジを帰納バイアスとして活用するため、参照情報とLLM出力間のアライメント2部グラフを構築し、グラフニューラルネットワーク(GNN)を訓練し、メッセージパッシングを用いたアライメント構造をモデル化する。 本手法は, GPT-4o などの基礎的 LLM を含む, 比較されたすべての手法よりも優れた4つの多様な幻覚と質問応答データセットに対して, 最先端の結果を得る。

関連論文リスト

• Emergent Misalignment is Easy, Narrow Misalignment is Hard [10.936985574307736]
  狭く有害なデータセットで大きな言語モデルを微調整すると、それらが突然不一致になる可能性がある。 本研究では,LLMにおける学習と一般化を規定する帰納的バイアスを事例研究として,創発的不適応(EM)を用いて検討する。 狭い解の線型表現も存在し、KL分散損失を導入することで学習することができる。
  論文  参考訳（メタデータ） (2026-02-08T07:50:04Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
  幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。 本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
  論文  参考訳（メタデータ） (2025-04-14T10:06:27Z)
• Graph Classification with GNNs: Optimisation, Representation and Inductive Bias [0.6445605125467572]
  このような等価性は、付随する最適化問題を無視するものであり、GNN学習プロセスの全体像を提供するものではない、と我々は主張する。 理論的には、グラフ内のメッセージパッシング層は、識別サブグラフか、あるいはグラフ全体に分散した識別ノードの集合を探索する傾向にあることを証明している。
  論文  参考訳（メタデータ） (2024-08-17T18:15:44Z)
• Redefining the Shortest Path Problem Formulation of the Linear Non-Gaussian Acyclic Model: Pairwise Likelihood Ratios, Prior Knowledge, and Path Enumeration [1.5178009359320295]
  本稿では,LiNGAM-SPPフレームワークの3倍拡張を提案する。 パラメータチューニングの必要性は、kNNベースの相互情報の代わりに、ペアワイズ確率比を用いて排除される。 先行知識の組み入れは、すべての因果順序のグラフ表現に実装されたノードスキッピング戦略によって実現される。
  論文  参考訳（メタデータ） (2024-04-18T05:59:28Z)
• OrthoReg: Improving Graph-regularized MLPs via Orthogonality Regularization [66.30021126251725]
  グラフニューラルネットワーク(GNN)は現在、グラフ構造データのモデリングにおいて支配的である。 グラフ正規化ネットワーク(GR-MLP)はグラフ構造情報をモデル重みに暗黙的に注入するが、その性能はほとんどのタスクにおいてGNNとほとんど一致しない。 GR-MLPは,最大数個の固有値が埋め込み空間を支配する現象である次元崩壊に苦しむことを示す。 次元崩壊問題を緩和する新しいGR-MLPモデルであるOrthoRegを提案する。
  論文  参考訳（メタデータ） (2023-01-31T21:20:48Z)
• The Manifold Hypothesis for Gradient-Based Explanations [55.01671263121624]
  勾配に基づく説明アルゴリズムは知覚的に整合した説明を提供する。 特徴属性がデータの接する空間と一致しているほど、知覚的に一致している傾向にあることを示す。 説明アルゴリズムは、その説明をデータ多様体と整合させるよう積極的に努力すべきである。
  論文  参考訳（メタデータ） (2022-06-15T08:49:24Z)

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。