論文の概要: HypoAgent: An Agentic Framework for Interactive Abductive Hypothesis Generation over Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2605.31370v1
• Date: Fri, 29 May 2026 14:40:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.672688
• Title: HypoAgent: An Agentic Framework for Interactive Abductive Hypothesis Generation over Knowledge Graphs
• Title（参考訳）: hypoAgent:知識グラフを用いた対話的帰納的仮説生成のためのエージェントフレームワーク
• Abstract要約: 知識グラフに対する帰納的推論は、観察された実体や事実を説明する論理的仮説を生成することを目的としている。 既存の制御可能な仮説生成手法により、ユーザーは明示的な条件でこのプロセスをガイドすることができる。 本稿では,知識グラフ上での対話的帰納的仮説生成のためのエージェントフレームワークであるHypoAgentを提案する。
• 参考スコア（独自算出の注目度）: 52.91976391891331
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Abductive reasoning over knowledge graphs aims to generate logical hypotheses that explain observed entities or facts. Existing controllable hypothesis generation methods allow users to guide this process with explicit conditions, but they remain limited in interactive settings: they struggle to ground evolving natural-language intents across multi-turn dialogues and provide little fine-grained diagnosis when generated hypotheses fail. To address these limitations, we propose HypoAgent, an Agentic framework for interactive abductive Hypothesis Generation over knowledge graphs. HypoAgent integrates three agents: an Intent Recognition Agent that grounds user utterances and dialogue history into executable KG conditions, a Hypothesis Generation Agent that performs controllable hypothesis generation according to the extracted user intention, and a Root Cause Analysis Agent that diagnoses unreliable hypothesis fragments and leverages KG neighborhood probing to identify supported refinements. Experiments on commonsense and biomedical domain-specific knowledge graphs demonstrate that HypoAgent achieves state-of-the-art semantic similarity under single-turn, multi-turn, and unconditional settings. Our code is available at https://github.com/HKUST-KnowComp/HypoAgent.
• Abstract（参考訳）: 知識グラフに対する帰納的推論は、観察された実体や事実を説明する論理的仮説を生成することを目的としている。 既存の制御可能な仮説生成手法では、ユーザーはこのプロセスを明示的な条件でガイドすることができるが、対話的な設定では限られている。 これらの制約に対処するため,知識グラフ上での対話的帰納的仮説生成のためのエージェントフレームワークであるHypoAgentを提案する。 hypoAgentは、ユーザ発話と対話履歴を実行可能なKG条件に基礎付けるIntent Recognition Agentと、抽出されたユーザ意図に応じて制御可能な仮説生成を行う仮説生成エージェントと、信頼できない仮説の断片を診断し、サポート対象の精査を行うルート原因分析エージェントと、を3つのエージェントに統合する。 コモンセンスとバイオメディカルドメイン固有の知識グラフの実験は、HypoAgentが単一ターン、複数ターン、無条件設定下で最先端のセマンティックな類似性を達成することを示した。 私たちのコードはhttps://github.com/HKUST-KnowComp/HypoAgent.comから入手可能です。

関連論文リスト

• How to Interpret Agent Behavior [56.59836196946289]
  本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。 共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
  論文  参考訳（メタデータ） (2026-05-13T14:52:40Z)
• AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
  大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。 AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。 これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
  論文  参考訳（メタデータ） (2026-03-21T04:12:04Z)
• RareAgent: Self-Evolving Reasoning for Drug Repurposing in Rare Diseases [40.52507491248964]
  RareAgentは、このタスクをパッシブパターン認識からアクティブエビデンス検索推論に再構成する、自己進化型マルチエージェントシステムである。 総合的な評価によると、RareAgentは推論基準よりもAUPRCの表示を18.1%改善している。
  論文  参考訳（メタデータ） (2025-10-07T10:35:18Z)
• VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
  VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。 セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。 平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
  論文  参考訳（メタデータ） (2025-09-15T02:25:38Z)
• Controllable Logical Hypothesis Generation for Abductive Reasoning in Knowledge Graphs [54.596180382762036]
  知識グラフの帰納的推論は、観測された実体からもっともらしい論理的仮説を生成することを目的としている。 可制御性の欠如により、単一の観測は、多くの妥当だが冗長あるいは無関係な仮説をもたらす可能性がある。 帰納的推論の実用性を改善するために,制御可能な仮説生成タスクを導入する。
  論文  参考訳（メタデータ） (2025-05-27T09:36:47Z)
• Automated Hypothesis Validation with Agentic Sequential Falsifications [45.572893831500686]
  多くの実世界の仮説は抽象的で、直接の検証が難しいハイレベルな主張である。 本稿では,自由形式仮説の厳密な自動検証のためのエージェントフレームワークであるPopperを提案する。
  論文  参考訳（メタデータ） (2025-02-14T01:46:00Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• Empirically Verifying Hypotheses Using Reinforcement Learning [58.09414653169534]
  本稿では,仮説検証をRL問題として定式化する。 我々は、世界の力学に関する仮説を前提として、仮説が真か偽かを予測するのに役立つ観測結果を生成することができるエージェントを構築することを目指している。
  論文  参考訳（メタデータ） (2020-06-29T01:01:10Z)

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。