論文の概要: Graph-Enhanced Large Language Models for Spatial Search

• arxiv url: http://arxiv.org/abs/2606.22909v1
• Date: Mon, 22 Jun 2026 06:49:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 03:41:11.288838
• Title: Graph-Enhanced Large Language Models for Spatial Search
• Title（参考訳）: 空間探索のためのグラフ強化大規模言語モデル
• Authors: Nicole R. Schneider, Kent O'Sullivan, Hanan Samet,
• Abstract要約: 本稿では,Large Language Models (LLM) による空間推論に関わる課題について概説する。 我々は,LLMと検索エンジンが統合され,グラフ強化推論による複雑な空間問題に答える未来を構想する。
• 参考スコア（独自算出の注目度）: 2.4278316796723733
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: There have been many recent improvements in the ability of Large Language Models (LLMs) to perform complex tasks and answer domain-specific questions through techniques like Retrieval Augmented Generation (RAG). However, reasoning abilities of LLMs, including spatial reasoning abilities, are still lacking. Spatial reasoning is a key component required to answer questions in a variety of domains that are grounded in the physical world, including urban planning, civil engineering, travel, and many others. To advance the development of LLMs and facilitate an impact in these domains, new research techniques must be developed to enable LLMs to reason over spatial data, which is commonly stored in the form of a graph. In this paper we outline the challenges associated with spatial reasoning through LLMs and envision a future in which search engines integrate with LLMs to answer complex spatial questions through graph-enhanced reasoning.
• Abstract（参考訳）: 大規模言語モデル(LLM)が複雑なタスクを実行し、Retrieval Augmented Generation(RAG)のようなテクニックを通じてドメイン固有の質問に答える能力に、最近多くの改善が加えられている。 しかし、空間的推論能力を含むLCMの推論能力は依然として欠落している。 空間推論は、都市計画、土木工学、旅行など、物理的世界に根ざした様々な領域の質問に答えるために必要な重要な要素である。 LLMの開発を進め、これらの領域に影響を及ぼすためには、LLMが一般にグラフ形式で格納される空間データを解析できるように、新たな研究技術を開発する必要がある。 本稿では, LLMによる空間推論に関わる課題を概説するとともに, LLMと検索エンジンが統合し, グラフ付き推論による複雑な空間問題に答える未来を構想する。

関連論文リスト

• Can Large Language Models Integrate Spatial Data? Empirical Insights into Reasoning Strengths and Computational Weaknesses [11.330846631937671]
  我々は,大規模で異質で騒々しい都市空間データセットの統合において,ドメインエキスパートに力を与えるために,大規模言語モデル(LLM)の適用について検討する。 LLMは空間的推論能力を示すが、マクロスケール環境と関連する計算幾何学的タスクを結びつけるのに苦労している。 この手法は, 正確な応答を保ちながら, 誤った初期応答の補正に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2025-08-07T03:44:20Z)
• DistRAG: Towards Distance-Based Spatial Reasoning in LLMs [1.1435139523855764]
  我々は,LLMが学習中に明示的に学習されていない関連空間情報を検索することのできる新しいアプローチであるDistRAGを開発した。 本手法は,都市と町の間の測地距離をグラフにエンコードし,その問合せに関連する文脈部分グラフを検索する。
  論文  参考訳（メタデータ） (2025-06-03T22:10:39Z)
• Knowledge Augmented Complex Problem Solving with Large Language Models: A Survey [48.53273952814492]
  大規模言語モデル(LLM)は、様々なドメインにまたがる複雑な問題に対処できる強力なツールとして登場した。 LLMを現実世界の問題解決に適用することは、多段階推論、ドメイン知識の統合、結果検証など、重大な課題を提示します。
  論文  参考訳（メタデータ） (2025-05-06T10:53:58Z)
• Scaling and Beyond: Advancing Spatial Reasoning in MLLMs Requires New Recipes [84.1059652774853]
  MLLM(Multimodal Large Language Models)は、一般的な視覚言語タスクにおいて印象的な性能を示す。 近年の研究では、空間的推論能力の限界が明らかにされている。 この空間的推論の欠如は、MLLMが物理的世界と効果的に相互作用する能力を著しく制限する。
  論文  参考訳（メタデータ） (2025-04-21T11:48:39Z)
• Spatial-RAG: Spatial Retrieval Augmented Generation for Real-World Geospatial Reasoning Questions [5.053463027769152]
  空間RAG(Spatial-RAG)は、地理空間質問応答用に設計された検索型生成フレームワークである。 構造化空間データベースと大きな言語モデル(LLM)をハイブリッド空間レトリバーを介して統合する。 応答過程を空間的および意味的関連性に対する多目的最適化として定式化する。
  論文  参考訳（メタデータ） (2025-02-04T01:30:06Z)
• Exploring Language Model Generalization in Low-Resource Extractive QA [57.14068405860034]
  ドメインドリフト下でのLarge Language Models (LLM) を用いた抽出質問応答(EQA)について検討する。 性能ギャップを実証的に説明するための一連の実験を考案する。
  論文  参考訳（メタデータ） (2024-09-27T05:06:43Z)
• Domain Specialization as the Key to Make Large Language Models Disruptive: A Comprehensive Survey [100.24095818099522]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野を著しく進歩させた。 広範囲のアプリケーションに対して、非常に有用でタスクに依存しない基盤を提供する。 しかし、特定の領域における洗練された問題を解決するために直接LLMを適用することは、多くのハードルを満たす。
  論文  参考訳（メタデータ） (2023-05-30T03:00:30Z)

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。