Fugu-MT 論文翻訳(概要): VeriGraph: Towards Verifiable Data-Analytic Agents

論文の概要: VeriGraph: Towards Verifiable Data-Analytic Agents

arxiv url: http://arxiv.org/abs/2606.16603v1
Date: Mon, 15 Jun 2026 11:50:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 16:21:34.497734
Title: VeriGraph: Towards Verifiable Data-Analytic Agents
Title（参考訳）: VeriGraph: 検証可能なデータ分析エージェントを目指して
Authors: Jiajie Jin, Zhao Yang, Wenle Liao, Yuyang Hu, Guanting Dong, Xiaoxi Li, Yutao Zhu, Zhicheng Dou,
Abstract要約: LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、その出力は滅多に検証されていない。 We propose VeriGraph, a traceable neuro-symbolic reasoning framework that agent can construct an explicit heterogeneous evidence directed acyclic graph。以上の結果から,明示的なエビデンスグラフ構築がデータ分析エージェントの検証に期待できる道のりであることが示唆された。
参考スコア（独自算出の注目度）: 71.17693022916896
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: LLM-based agents have demonstrated strong capabilities in data-intensive analytical tasks, yet their outputs are rarely verifiable: a reliance on linear text trajectories makes their reasoning difficult to audit. In particular, deterministic computations over raw data and semantic deductions over natural-language claims are often entangled in an unstructured stream, leaving numerical conclusions hard to reproduce and qualitative judgments hard to inspect. To address this, we propose VeriGraph, a traceable neuro-symbolic reasoning framework that enables agents to construct an explicit heterogeneous evidence directed acyclic graph (DAG) during execution. VeriGraph introduces three evidence-expansion primitives, namely computational, grounding, and derivational expansion, to connect raw data, interpreter variables, computed results, and natural-language claims in a unified graph. Under this formulation, structural traceability is reduced to graph reachability from raw data sources to terminal claims, while semantic support is measured by claim-level evidence evaluation. To improve graph construction, we further design a graph-based policy optimization strategy with a composite reward that jointly supervises answer correctness, computational integrity, and derivational coherence. Experiments on four benchmarks show that VeriGraph-8B achieves the highest overall score among all baselines. More importantly, VeriGraph produces auditable evidence graphs with substantially stronger claim grounding, achieving a 87.61\% Grounding Rate under our claim-level evidence support evaluation. These results suggest that explicit evidence-graph construction is a promising path toward verifiable data-analytic agents. Our code is available at https://github.com/ignorejjj/VeriGraph.
Abstract（参考訳）: LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、そのアウトプットが検証されることは滅多にない。特に、生データ上の決定論的計算と自然言語クレーム上の意味的推論は、しばしば非構造化ストリームに絡まっており、数値的な結論は再現し難く、質的な判断は検査し難いままである。これを解決するために,エージェントが実行中に不均一な非巡回グラフ(DAG)を明示的に構築できるトレーサブルなニューロシンボリック推論フレームワークであるVeriGraphを提案する。 VeriGraphは、生データ、インタプリタ変数、計算結果、自然言語クレームを統一グラフで接続する3つのエビデンス拡張プリミティブを導入している。この定式化の下では、構造的トレーサビリティは生データソースから終端クレームへのグラフ到達性に還元され、セマンティックサポートはクレームレベルのエビデンス評価によって測定される。グラフ構築を改善するために,回答の正しさ,計算整合性,導出コヒーレンスを共同で監督する複合報酬を用いたグラフベースのポリシー最適化戦略をさらに設計する。 4つのベンチマークの実験では、VeriGraph-8Bはすべてのベースラインの中で最高スコアを達成している。より重要なことは、VeriGraphは、我々のクレームレベルのエビデンス支援評価の下で87.61 %のグラウンドングレートを達成する、はるかに強力なクレームグラウンドングを持つ監査可能なエビデンスグラフを生成することである。これらの結果は, 明確なエビデンスグラフ構築が, 検証可能なデータ分析エージェントへの有望な道であることを示唆している。私たちのコードはhttps://github.com/ignorejjj/VeriGraphで公開されています。

関連論文リスト

Statistical Testing on Directed Graphs by Surrogate Data Generation [44.65601297340714]
まず、有向グラフ上の定常グラフ信号の概念を再検討し、特にグラフシフト演算子の固有分解を通じて、有向グラフ広義の定常信号を定義する。定常性仮定の下で共分散構造を保ったグラフ信号を生成するための新しいフレームワークを提案する。提案手法の有効性と優位性を実証し,本手法を非方向性グラフの既存技術と比較する上で,実データを用いた指導例と応用例を提案する。
論文参考訳（メタデータ） (2026-05-30T14:50:15Z)
GraphReAct: Reasoning and Acting for Multi-step Graph Inference [49.26607058250454]
GraphReActは、グラフ構造化データに対するステップバイステップの推論を可能にするグラフ推論実行フレームワークである。検索と精細化の両方で推論をインターリーブすることで、我々のフレームワークは文脈拡張から圧縮への進歩的な移行を可能にします。
論文参考訳（メタデータ） (2026-05-08T07:09:42Z)
Implicit Causal Graph Construction in Text via Chain Discovery [27.889485407012547]
そこで本研究では,テキストからの陰影因果グラフ構築について,各説明された因果関係のペアを下位の因果グラフの始点および終点として扱うことにより検討する。エンドツーエンドのグラフ構築とタスクを因果連鎖発見とみなす手法を比較した。本研究では,これらの手法のトレードオフを分析し,科学的に検証された1,560個の因果関係を手作業で収集したデータベースを用いて推定因果関係の有効性を評価する。
論文参考訳（メタデータ） (2026-04-20T07:29:58Z)
Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむこれは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
論文参考訳（メタデータ） (2025-09-25T06:48:52Z)
Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
論文参考訳（メタデータ） (2025-01-30T20:37:47Z)
Motif-Consistent Counterfactuals with Adversarial Refinement for Graph-Level Anomaly Detection [30.618065157205507]
本稿では,グラフレベルの異常検出のための新しい手法Motif-consistent Counterfactuals with Adversarial Refinement (MotifCAR)を提案する。このモデルは、あるグラフのモチーフと、識別(カテゴリ)情報を含むコアサブグラフと、別のグラフのコンテキストサブグラフを組み合わせて、生の反事実グラフを生成する。 MotifCARは高品質な反ファクトグラフを生成することができる。
論文参考訳（メタデータ） (2024-07-18T08:04:57Z)
Graph Agent: Explicit Reasoning Agent for Graphs [3.422149942031643]
本稿では,大規模言語モデル(LLM)を活用するインテリジェントエージェントであるグラフエージェント(GA),帰納的推論モジュール,グラフ推論タスクのための長期メモリを紹介する。 GAはシンボリック推論と既存のグラフ埋め込みの側面を統合し、複雑なグラフ推論タスクに革新的なアプローチを提供する。その結果、GAは最先端のパフォーマンスに達し、精度は90.65%、95.48%、Cola、PubMed、PrimeKGの各データセットで89.32%であった。
論文参考訳（メタデータ） (2023-10-25T07:20:16Z)
FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
論文参考訳（メタデータ） (2022-04-13T16:45:33Z)

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。