論文の概要: Helicase: Uncertainty-Guided Supply Chain Knowledge Graph Construction with Autonomous Multi-Agent LLMs

• arxiv url: http://arxiv.org/abs/2605.26835v1
• Date: Tue, 26 May 2026 10:53:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.893763
• Title: Helicase: Uncertainty-Guided Supply Chain Knowledge Graph Construction with Autonomous Multi-Agent LLMs
• Title（参考訳）: Helicase: 自律型マルチエージェントLCMを用いた不確実性ガイド型サプライチェーン知識グラフの構築
• Authors: Yunbo Long, Haolang Zhao, Ge Zheng, Alexandra Brintrup,
• Abstract要約: textitHelicaseは、不確実性誘導サプライチェーン知識グラフ構築のための自律型マルチエージェントシステムである。 高レベルのサプライチェーンクエリを実行可能な調査計画に分解し、特別なWeb検索、推論、コーディングエージェントをコーディネートする。 その3層不確実性フレームワークは、動作、軌道、記憶層の不確実性を追跡し、構造的推論とキャリブレーションされた信頼性評価の両方を可能にする。
• 参考スコア（独自算出の注目度）: 48.08345972608737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based multi-agent systems have been widely adopted for knowledge retrieval and report generation, synthesizing known information through web search and textual reasoning. However, many critical information tasks in supply chains are not simple one-shot queries: they are structural inference problems requiring multi-hop reasoning across complex, fragmented web resources. Questions such as \textit{``Which Tesla components use lithium from Australian mines?''} have no answer in any single document; answers must be computationally synthesized through the autonomous construction and analysis of dynamic knowledge graphs assembled from fragmented, heterogeneous sources. Moreover, such discovery processes must be uncertainty-aware: decisions depend not only on answers but on calibrated confidence in their reliability, traceable to source quality and reasoning consistency. To address this capability gap, we propose \textit{Helicase}, an autonomous multi-agent LLM system for uncertainty-guided supply chain knowledge graph construction. \textit{Helicase} decomposes high-level supply-chain queries into executable investigation plans, coordinates specialized web-search, reasoning, and coding agents through iterative verification loops, and incrementally constructs query-specific supply chain knowledge graphs with per-fact uncertainty annotations. Its three-layer uncertainty framework tracks uncertainty at the action, trajectory, and memory layers, enabling both structural inference and calibrated confidence assessment. To evaluate autonomous reasoning across the full complexity spectrum, we introduce SCQA (Supply Chain Query Assessment), a benchmark of 80 supply chain queries organized into four quadrants spanning single-hop to multi-hop inference under both high and low data visibility.
• Abstract（参考訳）: LLMベースのマルチエージェントシステムは、知識検索とレポート生成、Web検索とテキスト推論による既知の情報の合成に広く採用されている。 しかし、サプライチェーンにおける多くの重要な情報タスクは単純なワンショットクエリではなく、複雑な断片化されたWebリソースをまたいだマルチホップ推論を必要とする構造的推論問題である。 例えば、'textit{``` Tesla components using lithium from Australian mines?'} のような質問は、単一の文書には何の答えも示さず、解は断片化された異種源から集められた動的知識グラフの自律的な構築と分析を通じて計算的に合成されなければならない。 さらに、そのような発見プロセスは不確実性に気付いていなければならない。決定は答えだけでなく、信頼性の調整された信頼性、ソースの品質と推論の整合性にも依存する。 この能力ギャップに対処するために、不確実性誘導サプライチェーン知識グラフ構築のための自律型マルチエージェントLLMシステムである「textit{Helicase}」を提案する。 \textit{Helicase}は、高レベルのサプライチェーンクエリを実行可能な調査計画に分解し、反復的な検証ループを通じて特別なWeb検索、推論、コーディングエージェントをコーディネートし、クエリ固有のサプライチェーン知識グラフをファクトごとの不確実性アノテーションでインクリメンタルに構築する。 その3層不確実性フレームワークは、動作、軌道、記憶層の不確実性を追跡し、構造的推論とキャリブレーションされた信頼性評価の両方を可能にする。 SCQA(Supply Chain Query Assessment)は、シングルホップからマルチホップ推論までの4つのクアドラントにまたがる80のサプライチェーンクエリのベンチマークである。

関連論文リスト

• Structure-Grounded Knowledge Retrieval via Code Dependencies for Multi-Step Data Reasoning [9.570699003294592]
  SGKRは、関数呼び出し依存性によって誘導されるグラフでドメイン知識を整理する。 多段階データ分析ベンチマークの実験により、SGKRは非検索および類似性に基づく検索ベースラインよりも解の正しさを一貫して改善することが示された。
  論文  参考訳（メタデータ） (2026-04-12T08:14:39Z)
• BMGQ: A Bottom-up Method for Generating Complex Multi-hop Reasoning Questions from Semi-structured Data [8.52473384574856]
  本稿では,半構造化知識ソースから高難易度,訓練可能なマルチホップ質問を自動生成するフレームワークを提案する。 このシステムは、自然言語推論(NLI)に基づく関係型付けと多様性を意識した拡張を通じて、多様な、論理的にラベル付けされたエビデンスクラスタを成長させる。
  論文  参考訳（メタデータ） (2025-10-28T07:43:15Z)
• MSRS: Evaluating Multi-Source Retrieval-Augmented Generation [51.717139132190574]
  多くの現実世界のアプリケーションは、複数のソースにまたがる情報を統合して要約する能力を必要としている。 本稿では、RAGシステムに対して異なるソース間で情報を統合するための評価ベンチマークを構築するためのスケーラブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-28T14:59:55Z)
• DeepSieve: Information Sieving via LLM-as-a-Knowledge-Router [57.28685457991806]
  DeepSieveはエージェントRAGフレームワークで、LLM-as-a-knowledge-routerを介して情報を収集する。 我々の設計はモジュール性、透明性、適応性を重視しており、エージェントシステム設計の最近の進歩を活用している。
  論文  参考訳（メタデータ） (2025-07-29T17:55:23Z)
• Knowledge-Aware Iterative Retrieval for Multi-Agent Systems [0.0]
  本稿では,新しい大規模言語モデル (LLM) によるエージェントフレームワークを提案する。 動的に進化する知識を活用することで、クエリを反復的に洗練し、文脈的証拠をフィルタリングする。 提案システムは、更新されたコンテキストの競合的および協調的な共有をサポートする。
  論文  参考訳（メタデータ） (2025-03-17T15:27:02Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)

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。