論文の概要: SCAIR: Schema-Conditioned Agentic Iterative Reasoning for Enterprise Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2607.22571v1
- Date: Tue, 02 Jun 2026 16:14:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:38.971218
- Title: SCAIR: Schema-Conditioned Agentic Iterative Reasoning for Enterprise Knowledge Graphs
- Title（参考訳）: SCAIR: エンタープライズ知識グラフのためのスキーマ定義エージェント反復推論
- Abstract要約: 知識グラフに基づく検索型生成(KG-RAG)は、構造化された企業知識との自然言語インタラクションを可能にする。
公開ベンチマークでうまく機能する既存のエージェントアプローチは、現実の企業知識グラフに一般化できないことが多い。
構造化計画と制御された反復推論を統合するトレーニングフリーフレームワークであるSCAIR(Conditioned Agentic Iterative Reasoning)を提案する。
- 参考スコア（独自算出の注目度）: 27.13201901180446
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Knowledge Graph-based Retrieval-Augmented Generation (KG-RAG) enables natural language interaction with structured enterprise knowledge, yet existing agentic approaches that perform well on public benchmarks often fail to generalize to real-world enterprise Knowledge Graphs (KGs), which are dense, schema-driven, and operationally constrained. To address these limitations, we propose SCAIR (Schema-Conditioned Agentic Iterative Reasoning), a training-free framework that integrates structured planning with controlled iterative reasoning by injecting schema-conditioned structural priors and enforcing schema-aware traversal during multi-hop reasoning. Experiments on an enterprise-oriented benchmark constructed from a real-world Configuration Management DataBase (CMDB) demonstrate that SCAIR substantially improves performance over existing KG-RAG methods. Crucially, our study highlights that reliable enterprise graph reasoning cannot rely on generic agentic designs; instead, it must explicitly incorporate the target domain's structural and operational constraints into the reasoning process. We demonstrate that by aligning agent design with business logic, substantial performance gains can be achieved without the need for costly model retraining.
- Abstract（参考訳）: 知識グラフベースの検索型生成(KG-RAG)は、構造化された企業知識との自然言語インタラクションを可能にするが、公開ベンチマークでうまく機能する既存のエージェントアプローチは、密でスキーマ駆動で運用的に制約された実世界の企業知識グラフ(KG)に一般化できないことが多い。
このような制約に対処するため,マルチホップ推論において,スキーマ条件付き構造前提を注入し,スキーマ対応トラバーサルを強制することにより,構造化計画と制御された反復推論を統合するトレーニングフリーフレームワークであるSCAIR(Schema-Conditioned Agentic Reasoning)を提案する。
実世界の Configuration Management DataBase (CMDB) から構築されたエンタープライズ指向ベンチマークの実験では、SCAIR が既存の KG-RAG メソッドよりも大幅にパフォーマンスを向上することを示した。
重要なのは、信頼できるエンタープライズグラフ推論はジェネリックエージェント設計に依存しないということです。代わりに、ターゲットドメインの構造的制約と運用的制約を推論プロセスに明示的に組み込む必要があります。
エージェント設計をビジネスロジックと整合させることで、コストのかかるモデル再トレーニングを必要とせずに、大幅なパフォーマンス向上が達成できることを実証する。
関連論文リスト
- Graph-GRPO: Dependency-Aware Credit Assignment for Generative E-commerce Search Relevance [7.682863634260091]
関係推論のためのグラフ構造拡張であるグラフ-GRPOを提案する。
結果レベルの報酬をグラフ上で伝達し、段階レベルの信用信号を導出する。
また,エッジワイド・クレジット・プロパゲーション係数を適応的に調整する主損失駆動型制御器を導入する。
論文 参考訳（メタデータ） (2026-05-29T08:36:08Z) - Co-evolving Agent Architectures and Interpretable Reasoning for Automated Optimization [6.428928591765431]
大規模言語モデル(LLM)を用いた操作研究は、手作業による推論によって制限されている。
自動最適化のための共進化的フレームワークであるEvoOR-Agentを提案する。
ケーススタディとアブレーション分析は、明示的なアーキテクチャ進化とグラフによる推論-軌道探索が、性能改善と構造的解釈可能性の両方に寄与していることを示している。
論文 参考訳（メタデータ） (2026-04-20T01:44:18Z) - Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering [75.50670592447219]
分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を共同でモデル化することによって、ノードを凝集性グループに分割する基本的な教師なしタスクである。
この調査は、3つの相補的な視点からAGCを包括的かつ工業的に基礎づけたレビューを提供する。
論文 参考訳（メタデータ） (2026-03-21T14:15:34Z) - Agentic Planning with Reasoning for Image Styling via Offline RL [66.10749901925941]
直接的なプロンプトベースの編集は複雑な変換では失敗するが、なぜなら曖昧で主観的なプロンプトは、画像に何を変更するべきかを微妙に理解する必要がしばしばあるからである。
ツールベースのエージェントRLポストトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-07T11:14:37Z) - From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG [8.449978933501965]
本稿では,参照資料を構造化知識グラフに整理するグラフ検索拡張生成(GraphRAG)フレームワークを提案する。
提案手法では,高忠実度グラフ構築のためのMicrosoft GraphRAGとHippoRAGニューロシンボリックアルゴリズムの2相パイプラインを用いる。
論文 参考訳（メタデータ） (2026-02-28T04:44:06Z) - OOWM: Structuring Embodied Reasoning and Planning via Object-Oriented Programmatic World Modeling [62.3458279176813]
ソフトウェア工学のフォーマリズムのレンズを通して推論を具体化する新しいフレームワークであるオブジェクト指向世界モデリング(OOWM)を提案する。
OOWMはクラスダイアグラムを使用して、厳密なオブジェクト階層に視覚的知覚を基盤とし、アクティビティダイアグラムを使用して、計画を実行可能な制御フローに運用する。
論文 参考訳（メタデータ） (2026-02-25T16:01:07Z) - GLOW: Graph-Language Co-Reasoning for Agentic Workflow Performance Prediction [51.83437071408662]
本稿では,AW性能予測のための統合フレームワークGLOWを提案する。
GLOWは、GNNのグラフ構造モデリング能力とLLMの推論能力を組み合わせる。
FLORA-Benchの実験では、GLOWは予測精度とランキングユーティリティにおいて最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-12-11T13:30:46Z) - Optimizing Generative Ranking Relevance via Reinforcement Learning in Xiaohongshu Search [32.56725829132154]
関係モデリングにおいて、明示的推論が解釈可能性と性能の両方を高めることができるかどうかを考察する。
本研究では,Xiaohongshu 検索における関連性モデリングを推論タスクとして定式化する。
本稿では,強化学習(Reinforcement Learning, RL)に基づく学習フレームワークを導入し, GRMの基盤的推論能力を向上させる。
論文 参考訳（メタデータ） (2025-11-30T16:31:16Z) - 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) - A Pre-training Framework for Relational Data with Information-theoretic Principles [57.93973948947743]
本稿では,リレーショナルグラフ上の集合に基づくアグリゲーションを通じて,監視信号を構成する新しい事前学習フレームワークであるTask Vector Estimation (TVE)を紹介する。
TVEは従来のトレーニング前のベースラインを一貫して上回っている。
本研究は,関係データベース上での予測モデルの設計原則として,タスクの不均一性と時間構造を符号化する事前学習目的を提唱する。
論文 参考訳（メタデータ） (2025-07-14T00:17:21Z)
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。