Fugu-MT 論文翻訳(概要): Enhancing Small Language Models Reasoning through Knowledge Graph Grounding

論文の概要: Enhancing Small Language Models Reasoning through Knowledge Graph Grounding

arxiv url: http://arxiv.org/abs/2607.14149v1
Date: Tue, 14 Jul 2026 13:07:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-17 17:01:32.841984
Title: Enhancing Small Language Models Reasoning through Knowledge Graph Grounding
Title（参考訳）: 知識グラフグラウンドリングによる小さな言語モデル推論の強化
Abstract要約: 小型言語モデル(SLM)は、持続可能な代替手段を提供するが、複雑なマルチホップ論理的な基礎を必要とするタスクではエラーを起こす傾向がある。 SLM,特にGemma 3 (1B, 4) とLlama 3.2 (3B) の推論能力を高めるための神経-記号的エージェント機構について検討する。提案手法は,SLMを2つの特殊なツールコール,すなわちシンボル三重項抽出のための extract_facts とエキスパート推論のための get_hint を利用するミニマリストエージェントに変換する。
参考スコア（独自算出の注目度）: 3.832124824566051
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Although large language models (LLMs) have set benchmarks for zero-shot reasoning, their deployment remains cost-prohibitive and environmentally taxing. Small Language Models (SLMs) offer a sustainable alternative, but prone to errors, on tasks requiring complex, multi-hop logical grounding. We investigate a neuro-symbolic agentic framework to enhance the reasoning capabilities of SLMs, specifically Gemma 3 (1B, 4B) and Llama 3.2 (3B), using the CLUTRR kinship benchmark. Our approach transforms the SLM into a minimalist agent utilizing two specialized tool calls: extract_facts for symbolic triplet extraction and get_hint for expert reasoning via a Relational Graph Convolutional Network (RGCN). We evaluate these models across two configurations, both in an Oracle scenario with ground-truth triplets and a Realistic scenario relying on self-extracted knowledge. Our results reveal that while RGCN-derived hints provide a 1.5 - 2x performance gain over story-only baselines, the system is constrained by the extraction bottleneck and sequential deductive fragility, where early extraction errors compound over multi-hop chains. Furthermore, we identify a "distraction effect" in specific architectures where noisy, self-generated facts degrade performance despite the presence of expert hints. This work characterizes the challenges of symbolic grounding in low-resource agentic systems and provides a roadmap for iterative verification in neuro-symbolic agentic pipelines.
Abstract（参考訳）: 大型言語モデル(LLM)はゼロショット推論のためのベンチマークを設定しているが、その展開はコスト抑制と環境に配慮している。小型言語モデル(SLM)は、持続可能な代替手段を提供するが、複雑なマルチホップ論理的な基礎を必要とするタスクではエラーを起こす傾向がある。本研究では, CLUTRR kinship ベンチマークを用いて, SLMs, 特に Gemma 3 (1B, 4B) および Llama 3.2 (3B) の推論能力を高めるために, ニューロシンボリック・エージェント・フレームワークについて検討した。本稿では,SLMを2つの特殊なツールコール,すなわちシンボル三重項抽出のための extract_facts とリレーショナルグラフ畳み込みネットワーク (RGCN) による専門家推論のための get_hint を利用するミニマリストエージェントに変換する。我々はこれらのモデルを、2つの構成にわたって評価する。どちらもOracleのシナリオと、自己抽出された知識に依存したリアルなシナリオである。その結果, RGCN由来のヒントはストーリーのみのベースラインよりも1.5～2倍の性能向上をもたらすが, 早期抽出エラーが複数ホップチェーン上に混在する, 抽出ボトルネックと逐次誘引不安定性に制約されることがわかった。さらに、専門家のヒントがあるにもかかわらず、ノイズの多い自己生成事実が性能を低下させる特定のアーキテクチャにおける「抽出効果」を同定する。本研究は,低リソースエージェントシステムにおけるシンボリックグラウンドの課題を特徴づけ,ニューロシンボリックエージェントパイプラインにおける反復的検証のロードマップを提供する。

関連論文リスト

A2RBench: An Automatic Paradigm for Formally Verifiable Abstract Reasoning Benchmark Generation [59.98516959731531]
抽象推論能力は、抽象ルールを抽出し適用するためのLLMの知性と能力を反映する。既存のベンチマークは、高価な手作業のアノテーション、そのスケールの制限、あるいは真の推論ではなく暗記のリスク測定に頼っている。我々はA2RBenchという名の自動パイプラインを導入し、生成、拡張、評価、分析を行う。
論文参考訳（メタデータ） (2026-05-17T06:14:20Z)
TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
論文参考訳（メタデータ） (2026-03-02T10:38:54Z)
OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows [9.617220633655716]
textbfunderlineOmni-textbfunderlineModality textbfunderlineGeneration Agent (textbfOMG-Agent)について述べる。
論文参考訳（メタデータ） (2026-02-04T02:25:40Z)
Knowledge Restoration-driven Prompt Optimization: Unlocking LLM Potential for Open-Domain Relational Triplet Extraction [4.01163688152329]
三重項のオープンマイニングは、事前に定義されたスキーマなしで構造化された知識の基礎となる。既存の手法では曖昧さの脆弱性が示され、しばしば誤った抽出パターンが永続的である。本稿では,Large Language Models (LLM) の抽出能力を継続的に改善するための知識再構成駆動型プロンプト最適化(KRPO)フレームワークを提案する。
論文参考訳（メタデータ） (2026-01-21T14:42:13Z)
RHINO: Guided Reasoning for Mapping Network Logs to Adversarial Tactics and Techniques with Large Language Models [9.065322387043546]
人間の推論を反映した3つの解釈可能なフェーズに大言語モデルを分解するフレームワークであるRHINOを紹介する。 RHINOは、構造的推論による出力信頼性を改善しながら、低レベルの観測と反対方向のセマンティックギャップを橋渡しする。以上の結果から,RHINOは脅威解析の解釈可能性やスケーラビリティを著しく向上させ,LLMを運用上のセキュリティ設定にデプロイするための青写真を提供することが示された。
論文参考訳（メタデータ） (2025-10-16T02:25:46Z)
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)
mSCoRe: a $M$ultilingual and Scalable Benchmark for $S$kill-based $Co$mmonsense $Re$asoning [74.97363626515236]
textbfSkill ベースの textbfCommonsense textbfReasoning (textbfmSCoRe) のための textbfMultilingual と Scalable Benchmark を提案する。本ベンチマークでは,LLMの推論能力を体系的に評価するための3つの重要な要素を取り入れた。本研究は,多言語多言語一般と文化的共通点に直面する場合,そのような推論強化モデルの限界を明らかにするものである。
論文参考訳（メタデータ） (2025-08-13T18:59:02Z)
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)
Dspy-based Neural-Symbolic Pipeline to Enhance Spatial Reasoning in LLMs [29.735465300269993]
大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な能力を示してきたが、しばしば空間的推論に苦しむ。本稿では LLM と Answer Set Programming (ASP) の反復的フィードバックにより LLM の空間推論能力を高める新しいニューラルシンボリックフレームワークを提案する。我々は、StepGameとSparQAという2つのベンチマークデータセットに対するアプローチを評価した。
論文参考訳（メタデータ） (2024-11-27T18:04:05Z)
Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文参考訳（メタデータ） (2024-02-04T05:50:38Z)
Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
論文参考訳（メタデータ） (2023-11-02T12:47:49Z)

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。