論文の概要: NeSy-RAG: Neuro-Symbolic RAG for Explainable Question Answering

• arxiv url: http://arxiv.org/abs/2608.06292v1
• Date: Thu, 06 Aug 2026 17:16:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.975531
• Title: NeSy-RAG: Neuro-Symbolic RAG for Explainable Question Answering
• Title（参考訳）: NeSy-RAG : 説明可能な質問応答のためのニューロシンボリックRAG
• Abstract要約: NeSy-RAGはモジュール型ニューロシンボリックRAGフレームワークで、取得したテキストチャンクから帰属可能なPrologモジュールを合成する。 本稿では,欠落したユーザの事実を識別するシンボリック・ナレッジ・ギャップ検出機構を提案する。 ShARCベンチマークでは、NeSy-RAGは61.1%の精度を達成し、同じモデルのRAGベースラインを42.8%の精度で上回っている。
• 参考スコア（独自算出の注目度）: 2.7322203948509767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) improves question answering by grounding large language models (LLMs) in external knowledge such as text corpora. However, its reasoning process remains largely opaque: intermediate reasoning steps are difficult to verify and cannot be reliably attributed to specific evidence. Moreover, missing user-specific context is rarely detected systematically, often leading to incomplete or incorrect output. We propose NeSy-RAG, a modular neuro-symbolic RAG framework that synthesizes attributable Prolog modules from retrieved text chunks. For each chunk, the system generates semantically meaningful predicates that encode Boolean claims, which may depend on user facts. Using joint natural language-code embeddings, predicates are retrieved and composed into Prolog queries. To address incomplete user context, we introduce a symbolic knowledge-gap detection mechanism that identifies missing user facts whose truth values affect the query outcome and automatically triggers follow-up interactions. Executing the resulting Prolog queries yields deterministic answers together with transparent execution traces that link each reasoning step to its originating source. On the ShARC benchmark, without domain-specific training, NeSy-RAG achieves 61.1% accuracy, outperforming a same-model RAG baseline that achieves 42.8% accuracy.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG)は、テキストコーパスなどの外部知識において、大きな言語モデル(LLM)を基盤として、質問応答を改善する。 しかし、その推論過程はほとんど不透明であり、中間的推論ステップは検証が困難であり、特定の証拠に確実に帰属できない。 さらに、ユーザ固有のコンテキストが欠如していることは稀であり、しばしば不完全あるいは不正な出力につながる。 得られたテキストチャンクから帰属可能なPrologモジュールを合成するモジュール型ニューロシンボリックRAGフレームワークNeSy-RAGを提案する。 各チャンクに対して、システムは意味的に意味のある述語を生成し、Booleanのクレームを符号化する。 共同自然言語コード埋め込みを用いて述語を検索し、Prologクエリに合成する。 不完全なユーザコンテキストに対処するために,真理値がクエリ結果に影響を及ぼすユーザ事実の欠落を識別し,フォローアップインタラクションを自動的に引き起こすシンボリックな知識ギャップ検出機構を導入する。 結果のPrologクエリを実行すると、決定論的回答と、各推論ステップを元のソースにリンクする透過的な実行トレースが生成される。 ShARCベンチマークでは、ドメイン固有のトレーニングなしで、NeSy-RAGは61.1%の精度を達成し、同じモデルRAGベースラインを42.8%の精度で上回っている。

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)
• Better Later Than Sooner: Neuro-Symbolic Knowledge Graph Construction via Ontology-grounded Post-extraction Correction [6.031254272577503]
  質問応答(QA)はAIの中核的な課題であり、特にマルチホップ推論を必要とする複雑なクエリに対してである。 オープンドメイン抽出と組込み型正規化を併用したオントロジー的KG構築のためのニューロシンボリックフレームワークを提案する。 抽出したKGは,SPARQLグラフパターンの発生を計測することにより,シンボリッククエリに適していることを示す。
  論文  参考訳（メタデータ） (2026-05-27T23:09:10Z)
• Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs [55.78708003681562]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、生成時に外部知識を取り入れることで緩和する。 既存のRAGアプローチは通常、コンテキストとしてテキストフラグメントを検索し、非構造化する。 本稿では,三重項に基づく検索フレームワークTri-RAGを提案する。
  論文  参考訳（メタデータ） (2026-04-14T11:36:29Z)
• OrLog: Resolving Complex Queries with LLMs and Probabilistic Reasoning [51.58235452818926]
  そこで我々は,論理的推論から述語レベルの妥当性推定を分離するニューロシンボリック検索フレームワークOrLogを紹介する。 大規模言語モデル (LLM) は1つの復号のない前方通過において原子述語に対する可視性スコアを提供し、確率論的推論エンジンはクエリ満足度の後方確率を導出する。
  論文  参考訳（メタデータ） (2026-01-30T15:31:58Z)
• VIRO: Robust and Efficient Neuro-Symbolic Reasoning with Verification for Referring Expression Comprehension [51.76841625486355]
  Referring Expression (REC) は、自然言語クエリに対応する画像領域をローカライズすることを目的としている。 最近のニューロシンボリックRECアプローチは、大規模言語モデル(LLM)と視覚言語モデル(VLM)を利用して構成推論を行う。 推論ステップ内に軽量な演算子レベルの検証器を組み込む,ニューロシンボリックなフレームワークであるVIROを紹介する。
  論文  参考訳（メタデータ） (2026-01-19T07:21:19Z)
• SEAL: Self-Evolving Agentic Learning for Conversational Question Answering over Knowledge Graphs [28.59157823781425]
  SEALは、自己進化型エージェント学習に基づく、2段階のセマンティックパーシングフレームワークである。 SEALは、特にマルチホップ推論、比較、集約タスクにおいて、最先端のパフォーマンスを達成する。 その結果, 構造精度と計算効率の両面で有意な向上が認められた。
  論文  参考訳（メタデータ） (2025-12-04T14:52:30Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Attributing Response to Context: A Jensen-Shannon Divergence Driven Mechanistic Study of Context Attribution in Retrieval-Augmented Generation [52.3707788779464]
  我々は、コンテキストに対する属性応答(ARC-JSD)のための新しいJensen-Shannon Divergence駆動方式を提案する。 ARC-JSDは、追加の微調整、勾配計算、サロゲートモデリングなしで、重要な文脈文の効率的かつ正確な識別を可能にする。 TyDi QA, Hotpot QA, Musique など,様々なスケールの命令調整 LLM を用いたRAG ベンチマークの評価により,精度が向上し,計算効率が向上した。
  論文  参考訳（メタデータ） (2025-05-22T09:04:03Z)
• Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
  本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。 クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。 我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
  論文  参考訳（メタデータ） (2023-01-21T02:34:06Z)
• Neural-Symbolic Entangled Framework for Complex Query Answering [22.663509971491138]
  複雑な問合せ応答のためのニューラル・アンド・エンタングルド・フレームワーク(ENeSy)を提案する。 これにより、ニューラルネットワークとシンボリック推論が互いに強化され、カスケードエラーとKGの不完全性が軽減される。 ENeSyは、特にリンク予測タスクのみでトレーニングモデルの設定において、いくつかのベンチマークでSOTA性能を達成する。
  論文  参考訳（メタデータ） (2022-09-19T06:07:10Z)

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。