論文の概要: Stepwise Reasoning Enhancement for LLMs via External Subgraph Generation
- arxiv url: http://arxiv.org/abs/2606.04454v1
- Date: Wed, 03 Jun 2026 04:58:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.556744
- Title: Stepwise Reasoning Enhancement for LLMs via External Subgraph Generation
- Title（参考訳）: 外部サブグラフ生成によるLCMのステップワイズ推論向上
- Authors: Xin Zhang, Yang Cao, Baoxing Wu, Kai Song, Siying Li,
- Abstract要約: 大規模言語モデルは、複雑な多段階推論における論理的一貫性、事実的基盤、解釈可能性に苦慮している。
本稿では,大規模言語モデルと外部知識グラフを統合するフレームワークであるSGRを提案する。
実験によると、SGRは推論精度とHits@1のパフォーマンスを標準プロンプトよりも改善している。
- 参考スコア（独自算出の注目度）: 10.192419467718475
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models have shown strong performance in natural language generation and downstream reasoning tasks, but they still struggle with logical consistency, factual grounding, and interpretability in complex multi-step reasoning. To address these limitations, this paper proposes SGR, a stepwise reasoning enhancement framework that integrates large language models with external knowledge graphs through query-relevant subgraph generation. Given an input question, SGR first extracts key entities, relations, and constraints to construct a structured schema, then retrieves compact subgraphs from a knowledge graph using schema-guided querying. The generated subgraphs provide explicit relational evidence that guides the language model through step-by-step reasoning. In addition, SGR combines direct Cypher-based reasoning with collaborative reasoning integration, allowing candidate answers from multiple reasoning paths to be validated and aggregated according to both model confidence and graph consistency. Experiments on benchmark datasets including CWQ, WebQSP, GrailQA, and KQA Pro demonstrate that SGR improves reasoning accuracy and Hits@1 performance over standard prompting and several knowledge-enhanced baselines. Ablation studies further show that schema guidance and Neo4j-based retrieval are both crucial to the effectiveness of the framework. These results indicate that dynamically generated external subgraphs can improve the accuracy, robustness, and interpretability of LLM-based reasoning.
- Abstract（参考訳）: 大規模言語モデルは、自然言語生成や下流推論タスクにおいて強力なパフォーマンスを示しているが、複雑な多段階推論において、論理的一貫性、事実的基盤、解釈可能性に苦慮している。
これらの制約に対処するために,クエリ関連サブグラフ生成を通じて,大規模言語モデルと外部知識グラフを統合する段階的推論拡張フレームワークであるSGRを提案する。
入力質問が与えられた場合、SGRはまずキーエンティティ、関係、制約を抽出して構造化スキーマを構築し、その後、スキーマ誘導クエリーを使用して知識グラフからコンパクトなサブグラフを検索する。
生成されたサブグラフは、言語モデルをステップバイステップの推論を通じてガイドする明確なリレーショナルエビデンスを提供する。
さらに、SGRはCypherベースの直接推論と協調推論の統合を組み合わせることで、モデルの信頼性とグラフの整合性の両方に応じて、複数の推論パスからの候補回答を検証することができる。
CWQ、WebQSP、GrailQA、KQA Proといったベンチマークデータセットの実験では、SGRが推論精度を改善し、Hits@1パフォーマンスが標準プロンプトよりも向上し、いくつかの知識強化ベースラインが示されている。
さらに、スキーマガイダンスとNeo4jベースの検索がフレームワークの有効性に不可欠であることを示す。
これらの結果から, 動的に生成された外部部分グラフは, LLMに基づく推論の精度, 堅牢性, 解釈可能性を向上させることが示唆された。
関連論文リスト
- SGR: A Stepwise Reasoning Framework for LLMs with External Subgraph Generation [10.192419467718475]
大きな言語モデル(LLM)は、翻訳、テキスト生成、質問応答など、多様なNLPアプリケーションにまたがる強力な機能を示している。
本稿では,外部サブグラフ生成によるLCM推論を段階的に向上するフレームワークであるSGRを紹介する。
SGRは、外部知識ベースからクエリ固有のサブグラフを構築し、そのセマンティック構造を使用して、マルチステップ推論をサポートする。
論文 参考訳（メタデータ） (2026-05-15T16:02:09Z) - Multi-Step Semantic Reasoning in Generative Retrieval [50.65947993017158]
生成検索(GR)モデルは、モデルパラメータ内のコーパスを符号化し、所定のクエリに対して関連するドキュメント識別子を生成する。
既存のGRモデルは、財務報告に対するセマンティック推論など、数値的な文脈で複雑なクエリに苦しむ。
GR内の数値文脈における多段階意味推論を強化するためのフレームワークであるReasonGRを提案する。
論文 参考訳（メタデータ） (2026-03-12T18:38:50Z) - A Stepwise-Enhanced Reasoning Framework for Large Language Models Based on External Subgraph Generation [12.27505872942231]
大規模言語モデル(LLM)は、幅広い自然言語処理タスクにおいて強力なパフォーマンスを実現している。
外部サブグラフ生成に基づくLCMの段階的推論拡張フレームワークを提案する。
構造化された部分グラフに対して段階的に推論を行うことにより、SGRはノイズ情報の影響を低減し、推論精度を向上させる。
論文 参考訳（メタデータ） (2025-12-29T10:35:53Z) - KBQA-R1: Reinforcing Large Language Models for Knowledge Base Question Answering [64.62317305868264]
テキスト模倣から強化学習によるインタラクション最適化へパラダイムをシフトするフレームワークである textbfKBQA-R1 を提案する。
KBQAを多ターン決定プロセスとして扱うことで,行動のリストを用いて知識ベースをナビゲートすることを学ぶ。
WebQSP、GrailQA、GraphQuestionsの実験では、KBQA-R1が最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-10T17:45:42Z) - RouteRAG: Efficient Retrieval-Augmented Generation from Text and Graph via Reinforcement Learning [69.87510139069218]
Retrieval-Augmented Generation (RAG)は、非パラメトリック知識をLarge Language Models (LLM)に統合する
強化学習(RL)による多ターン推論へのテキストベースRAGの進歩
LLMがマルチターンおよび適応的なグラフテキストハイブリッドRAGを実現するためのRLベースのフレームワークであるモデルを導入する。
論文 参考訳（メタデータ） (2025-12-10T10:05:31Z) - G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。
最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。
G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
論文 参考訳（メタデータ） (2025-09-29T04:38:12Z) - GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。
抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。
提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
論文 参考訳（メタデータ） (2025-09-20T02:38:00Z) - Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。
既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。
近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。
KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文 参考訳（メタデータ） (2025-06-11T12:03:52Z)
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。