論文の概要: PEARL: Auditable Repair for Scientific Reasoning Graph Extraction
- arxiv url: http://arxiv.org/abs/2607.17917v1
- Date: Mon, 20 Jul 2026 13:14:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.632641
- Title: PEARL: Auditable Repair for Scientific Reasoning Graph Extraction
- Title（参考訳）: PEARL:科学推論グラフ抽出のための監査可能な修復
- Abstract要約: ノイズの多いグラフ応答を監査可能な推論グラフに変換する学習自由フレームワークであるPEARLを提案する。
PEARLはまず、閉じたPirceanスキーマの下で明示的なグラフコンテンツを作成し、その後、一致したエビデンスに基づく判断フィードバックを使用して、拒否されたエッジタイプ、ローカル推論ステップ、端末ルートを修復する。
グラフは、制約のないグラフ再生ではなく、検査可能な推論トレースを必要とする研究エージェントとAI科学者のための信頼性レイヤを提供する。
- 参考スコア（独自算出の注目度）: 4.931179793958283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientific Reasoning Graph Extraction (SRGE) aims to recover explicit links among observations, evidence, intermediate claims, and paper-level conclusions. LLMs can produce graph-like scientific explanations, but their outputs often mix malformed syntax, drifting edge labels, incorrectly oriented roots, and weak source anchors. We propose PEARL (Peircean Extraction via Abstraction and Repair Layer), a training-free framework that turns noisy LLM graph responses into auditable reasoning graphs and repairs them toward strict semantic validity. PEARL first materializes explicit graph content under a closed Peircean schema, then uses matched evidence-grounded judge feedback to repair rejected edge types, local inference steps, and terminal roots while preserving an audit trail. On five 70-paper model archives from ARCHE, a benchmark for latent reasoning-chain extraction, PEARL raises strict gate passes from 0/350 for the LLM baseline to 300/350, with average REA improving from 0.339 to 0.906. The graphs provide a reliability layer for research-agent and AI scientist workflows that need inspectable reasoning traces rather than unconstrained graph regeneration. Code and audit artifacts are available at https://github.com/BohanSu/auditable-repair-reasoning-graphs/tree/300-350_workshop .
- Abstract（参考訳）: 科学的推論グラフ抽出(SRGE)は、観察、証拠、中間的主張、論文レベルの結論の間の明確なリンクを復元することを目的としている。
LLMはグラフのような科学的説明を生成できるが、その出力はしばしば、不正な構文、ドリフトするエッジラベル、誤った向きのルート、弱いソースアンカーを混合する。
PEARL(Peircean extract via Abstraction and repair Layer)は,雑音の多いLLMグラフ応答を監査可能な推論グラフに変換し,厳密な意味的妥当性に向けて修復する,学習不要なフレームワークである。
PEARLはまず、閉じたPirceanスキーマの下で明示的なグラフコンテンツを作成し、その後、一致したエビデンスに基づく判断フィードバックを使用して、監査証跡を保存しながら、拒否されたエッジタイプ、ローカル推論ステップ、端末ルートを修復する。
PEARLはARCHEから70ページのモデルアーカイブを5枚取得し、LCMベースラインの0/350から300/350へ、平均REAは0.339から0.906に改善した。
グラフは、制約のないグラフ再生ではなく、検査可能な推論トレースを必要とする研究エージェントとAI科学者のワークフローの信頼性レイヤを提供する。
コードおよび監査アーティファクトはhttps://github.com/BohanSu/auditable-repair-reasoning-graphs/tree/300-350_workshopで入手できる。
関連論文リスト
- LogSemFuse: Semantic Evidence Fusion for Explainable Log Anomaly Detection [6.950497660953971]
LogSemFuseはエビデンス誘導プラグインフレームワークで、既存のバックボーン検出器を元のパイプラインを置き換えることなく拡張する。
我々は、DeepLog、LogAnomaly、LogBERT、NeuralLogをバックボーンとして、HDFS、BGL、LibertyのLogSemFuseを評価する。
論文 参考訳（メタデータ） (2026-07-03T20:50:07Z) - 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) - ReasoningFlow: Discourse Structures for Understanding LLM Reasoning Traces [13.927941324541356]
ReasoningFlowは、LRM推論の談話構造を微粒な非巡回グラフにトレースするフレームワークである。
ReasoningFlowグラフを解析することにより、異なるベースモデルからトレーニングされているにもかかわらず、LRMは構造的に類似したトレースを示すことがわかった。
ReasoningFlowは、トレース監視性を改善するために使用できる、さまざまなきめ細かい推論動作を明らかにする。
論文 参考訳（メタデータ） (2026-06-03T20:12:26Z) - AGRAG: Advanced Graph-based Retrieval-Augmented Generation for LLMs [15.570965946461255]
グラフベースの検索強化生成(RAG)は構造化知識でLarge Language Models(LLMs)を増強する大きな可能性を証明している。
既存の手法では、不正確なグラフ構築、不適切な推論能力、不適切な解答の3つの重要な課題に直面している。
本稿では,高度なグラフベースの検索拡張生成フレームワークであるAGRAGを提案する。
論文 参考訳（メタデータ） (2025-11-02T06:13:06Z) - 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) - Self-Exploring Language Models for Explainable Link Forecasting on Temporal Graphs via Reinforcement Learning [24.718280040158245]
時間グラフ(ReaL-TG)のための推論強化学習法を提案する。
ReaL-TGはグラフモデルを微調整して説明可能なリンク予測を行う強化学習フレームワークである。
LLM-as-a-Judgeシステムとランキングメトリクスを組み合わせた新しい評価プロトコルを提案する。
論文 参考訳（メタデータ） (2025-08-31T19:47:01Z) - 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) - Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。
Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。
本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
論文 参考訳（メタデータ） (2025-05-22T05:15:27Z) - Can Large Language Models Analyze Graphs like Professionals? A Benchmark, Datasets and Models [70.03602551880526]
グラフを処理するために,大規模言語モデル(LLM)のベンチマークであるProGraphを導入する。
その結果,現在のLCMの性能は不満足であり,最高のモデルでは36%の精度しか達成できないことがわかった。
本研究では,6つの広く使用されているグラフライブラリに基づいて,クローリングされたドキュメントと自動生成コードを含むLLM4Graphデータセットを提案する。
論文 参考訳（メタデータ） (2024-09-29T11:38:45Z)
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。