論文の概要: Grounding LLM Reasoning under Incomplete Graph Evidence

• arxiv url: http://arxiv.org/abs/2606.30247v1
• Date: Mon, 29 Jun 2026 12:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.237373
• Title: Grounding LLM Reasoning under Incomplete Graph Evidence
• Title（参考訳）: 不完全グラフエビデンス下における接地LLM推論
• Abstract要約: 知識グラフは、大きな言語モデル(LLM)推論を導くことができるが、システムで見られるグラフは通常、真理の完全な説明ではなく、検索され、リンクされ、時間的にスコープされ、不完全な証拠状態である。 このような不完全グラフの証拠の下で観測可能なLLM軌道の接地に関する理論的視点を開拓する。 オープンワールドの不完全性の下では、観察された状態のみに基づく厳しいルールは、すべての偽りの軌跡を拒絶し、真だが観測されていないものを保持することができることを示す。
• 参考スコア（独自算出の注目度）: 5.155880075025116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs can guide large language models (LLMs) reasoning, but the graph seen by a system is usually a retrieved, linked, temporally scoped, and incomplete evidence state rather than a complete account of truth. We develop a theoretical perspective on grounding observable LLM trajectories under such incomplete graph evidence.The evidence state induces entity anchors, typed relation residuals, path energies, and support regions, while the language model supplies a prior over candidate trajectories. We show that, under open-world incompleteness, no hard rule based only on the observed state can both reject every false unsupported trajectory and retain every true-but-unobserved one.We then characterize soft grounding as a KL-regularized deformation of the LLM prior: finite slack preserves support for unsupported but non-contradicted trajectories, whereas hard conditioning appears as an infinite-penalty limit.The framework also yields stability bounds under evidence perturbations and clarifies the constraint regimes appropriate for GraphRAG, KGQA, graph agents, constrained decoding, and faithful generation. The claims are evidence-relative: KG compatibility is treated as declared support, not factual truth.
• Abstract（参考訳）: 知識グラフは、大きな言語モデル(LLM)推論を導くことができるが、システムで見られるグラフは通常、真理の完全な説明ではなく、検索され、リンクされ、時間的にスコープされ、不完全な証拠状態である。 このような不完全なグラフ証拠の下で観測可能なLLM軌道の基底化に関する理論的視点を開拓し、その証拠は、エンティティアンカー、型付き関係残差、パスエネルギー、サポート領域を誘導し、言語モデルは、候補軌道よりも先行する。 オープンワールドの不完全性の下では、観測された状態のみに基づくハードルールは、すべての偽りの軌跡を拒絶し、全ての真だが観測された軌跡を保持できないことを示し、その上で、ソフトグラウンドをLLMのKL規則化された変形として特徴づける: 有限スラックは、サポートされていないが非矛盾な軌跡を保存し、ハードコンディショニングは無限のペナルティ制限として現れる。 KGとの互換性は、事実の真実ではなく、宣言された支持として扱われる。

関連論文リスト

• Walking on the DARKSIDE [2.0052993723676895]
  本稿では,POLANYI++上でのコヒーレンス監査手法であるDARKSIDEを紹介する。 コースは、談話時間を超えて蓄積された排他物の明示的なデータ構造として定式化される。 我々は、ソフトウェアエンジニアリング、金融、医療、物理学、法律にまたがる高度なナンセンスのコーパスであるBSBench上のGemini 3上でのステアリング層として、Sonnet 4.6を独立裁判官として評価した。
  論文  参考訳（メタデータ） (2026-08-24T15:17:58Z)
• VeriGraph: Towards Verifiable Data-Analytic Agents [71.17693022916896]
  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。
  論文  参考訳（メタデータ） (2026-06-15T11:50:56Z)
• Inference-Time Conformal Reasoning with Valid Factuality Control for Large Language Models [19.716905963081956]
  本稿では,emphInference-Time Conformal Reasoningフレームワークを提案する。 推論グラフ上のクレームレベルの事実性信号を集約する構造レベルの事実性不確実性関数を学習する。 理論的には、そのような生成がネストされ、事実性制御の有効なカバレッジ保証が得られます。
  論文  参考訳（メタデータ） (2026-06-07T20:52:10Z)
• When Do Graph Foundation Models Transfer? A Data-Centric Theory [68.54337055801571]
  グラフ基盤モデル(GFMs)は、様々なグラフドメインにまたがる単一のバックボーンの再利用を目的としているが、それらの転送は不均一であり、負の転送を示すことがある。 我々は、セットベースおよびメッセージパストークン化の両方に対して、任意のリプシッツバックボーンは、クロスドメイン出力シフトの明示的な分解を認めていることを示す。 我々はスペクトルPEの安定性を保証するとともに、固有ベクトルと部分空間に基づくPEの対比挙動を強調する。
  論文  参考訳（メタデータ） (2026-05-28T12:07:27Z)
• Multi-Agent System Identification with Nonlinear Sheaf Diffusion [0.8895677230505602]
  多エージェントシステムを管理する局所的相互作用法則は、軌道データから回復することが困難である。 このコホモロジーが消滅した場合に限って、制約のない関数クラスから一意に回復できることが示される。
  論文  参考訳（メタデータ） (2026-05-11T20:15:03Z)
• Graph of States: Solving Abductive Tasks with Large Language Models [14.118026118085245]
  本稿では,誘拐作業に適した汎用神経シンボルフレームワークであるGraph of Statesを紹介する。 GoSは、論理的依存関係を明示的にエンコードする因果グラフと、推論プロセスの有効な遷移を管理する状態マシンを利用する。
  論文  参考訳（メタデータ） (2026-03-22T14:14:23Z)
• On Multi-Step Theorem Prediction via Non-Parametric Structural Priors [50.16583672681106]
  本研究では,インコンテキスト学習(ICL)のレンズによる学習自由な定理予測について検討する。 本稿では,過去の解の時間的依存関係を有向グラフとしてエンコードし,推論中に探索空間を効果的に引き起こす明示的なトポロジ的制約を課すTheorem Precedence Graphsを提案する。 FormalGeo7kベンチマークの実験から,本手法は89.29%の精度を実現し,ICLベースラインを著しく上回り,最先端の教師付きモデルに適合することがわかった。
  論文  参考訳（メタデータ） (2026-03-05T06:08:50Z)
• From Chains to Graphs: Self-Structured Reasoning for General-Domain LLMs [52.0811904328273]
  現実の推論には、複数の前提を統合し、サブプロブレムを並列に解決する必要がある。 最近のアプローチでは、外部に提供されたグラフに依存しており、LCMが独自のグラフ構造化推論を構築し、利用する方法については検討していない。 我々は,LLMが最終回答を生成する前に,その推論プロセスを構造化グラフとして明示的に表現できるフレームワークであるSelf-Graph Reasoning (SGR)を提案する。
  論文  参考訳（メタデータ） (2026-01-07T05:27:41Z)
• GR-Agent: Adaptive Graph Reasoning Agent under Incomplete Knowledge [26.26036702896838]
  ほとんどのベンチマークでは、直接支援三重グラフが存在する完全知識グラフ(KG)を仮定する。 これにより、評価は浅い検索に還元され、多くの事実が欠落しており、答えは既存の事実から推測されなければならない不完全なKGの現実を見落としている。 そこで本研究では,KGの不完全性に基づくベンチマーク構築手法を提案する。
  論文  参考訳（メタデータ） (2025-12-16T06:11:30Z)
• Reasoning on Graphs: Faithful and Interpretable Large Language Model Reasoning [104.92384929827776]
  大規模言語モデル(LLM)は複雑なタスクにおいて顕著な推論能力を示している。 彼らは推論中に最新の知識と幻覚を欠いている。 知識グラフ(KG)は、推論のための信頼できる知識源を提供する。
  論文  参考訳（メタデータ） (2023-10-02T10:14:43Z)
• Language Models with Rationality [57.37201135072838]
  大規模言語モデル(LLM)は質問応答(QA)に熟練している 答えが潜んでいる「信条」からどのように従うか(あるいはたとえも)は必ずしも明確ではない。
  論文  参考訳（メタデータ） (2023-05-23T17:04:25Z)
• Partial Disentanglement via Mechanism Sparsity [25.791043728989937]
  メカニズムの疎性による絡み合いは、監督なしで潜伏要因を抽出する原則的アプローチとして導入された。 我々は、この理論の一般化を導入し、任意の基底真実グラフに適用する。 我々は、一貫性と呼ばれるモデルに対する新しい同値関係を通じて、学習された表現がいかに無関係になるかを示す。
  論文  参考訳（メタデータ） (2022-07-15T20:06:12Z)

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。