Fugu-MT 論文翻訳(概要): KGCache: Amortized Subgraph Retrieval for KG Reasoning with LLMs

論文の概要: KGCache: Amortized Subgraph Retrieval for KG Reasoning with LLMs

arxiv url: http://arxiv.org/abs/2608.07954v1
Date: Sat, 08 Aug 2026 06:36:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:36.585263
Title: KGCache: Amortized Subgraph Retrieval for KG Reasoning with LLMs
Title（参考訳）: KGCache:LLMによるKG推論のための暗黙のサブグラフ検索
Abstract要約: 大規模言語モデルは、知識グラフを基礎とする場合には、知識集約的な質問により確実に答えることができる。 Think-on-GraphとReasoning-on-Graphは、異なる質問で同じグラフ地区を何度も問い合わせる。我々は,ワンホップ知識グラフ近傍のメモリキャッシュであるKGCacheを提案する。
参考スコア（独自算出の注目度）: 1.2752861071727566
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large language models can answer knowledge-intensive questions more reliably when they are grounded with knowledge graphs, but systems such as Think-on-Graph and Reasoning-on-Graph repeatedly query the same graph neighborhoods across different questions. In this work, we study this repeated retrieval in Knowledge Graph Question Answering~(KGQA) workloads and propose KGCache, an in-memory cache for one-hop knowledge graph neighborhoods. KGCache is designed to be compatible with both iterative traversal (ToG) and one shot planning (RoG) KGQA paradigms. KGCache is placed between the KGQA engine and the backend serving the KG, so repeated entity requests can be served from cache instead of issuing new KG queries. We evaluate KGCache on WebQSP and CWQ using LRU, LFU, and a trace-aware Oracle policy. Our analysis shows that both datasets contain substantial entity reuse among starting entities and entities reached during traversal. We also explore semantic caching for similar queries, which shows additional hit-rate gains on WebQSP and needs further accuracy testing on CWQ. Entity caching accelerates KG retrieval by up to $1.91\times$, while semantic-context caching achieves up to $1.06\times$ full-system speedup in the evaluated WebQSP configurations, with each hit being up to $3.73\times$ faster.
Abstract（参考訳）: しかし、Think-on-Graph(英語版)やReasoning-on-Graph(英語版)のようなシステムは、異なる質問で同じグラフ近傍を何度も問い合わせる。本研究では,この繰り返し検索を知識グラフ質問回答〜(KGQA)ワークロードで検討し,ワンホップ知識グラフ近傍のインメモリキャッシュであるKGCacheを提案する。 KGCacheは、反復的トラバーサル(ToG)とショットプランニング(RoG)KGQAパラダイムの両方と互換性があるように設計されている。 KGCacheは、KGQAエンジンとKGを提供するバックエンドの間に配置されるため、新しいKGクエリを発行する代わりに、キャッシュから繰り返しエンティティ要求を提供することができる。我々は、LRU、LFU、およびトレース対応Oracleポリシーを用いて、WebQSPおよびCWQ上のKGCacheを評価する。分析の結果,両データセットは,トランザクショナル中に到達した開始エンティティやエンティティ間で,実質的なエンティティ再利用を含んでいることがわかった。また、類似クエリに対するセマンティックキャッシングについても検討し、WebQSPにさらなるヒットレートゲインを示し、CWQでさらなる精度テストを必要としている。エンティティキャッシングは、KG検索を最大1.91\times$で加速し、セマンティックコンテキストキャッシングは、評価されたWebQSP構成で最大1.06\times$フルシステムスピードアップを達成する。

関連論文リスト

KGVoyager: Knowledge Graph Agnostic Question Answering via Agentic Navigation [4.888145452806364]
KGVoyagerは、グラフ構造とセマンティクスを動的に発見することで、自然な質問から実際のQLクエリを生成する。 KGVoyagerは、用語をグラフクラスにマップし、構造を明らかにし、実行ツールを通じてクエリを洗練する。 4つのベンチマークで、KGVoyagerはFRIを最大8ポイント改善し、コストとランタイムをそれぞれ22%削減した。
論文参考訳（メタデータ） (2026-09-01T18:50:20Z)
KGCaRe: Explainable Complex Conditional Question Answering using Automatic Knowledge Graph Construction and Context Retrieval with LLMs [6.065980162749203]
KGCaReは、LLM生成知識グラフ上のニューラルネットワークとシンボリック推論を組み合わせたハイブリッドアプローチである。 KGCaReを2つの複雑な条件付きQAデータセットで評価する。
論文参考訳（メタデータ） (2026-08-10T16:05:58Z)
Can Knowledge-Graph-based Retrieval Augmented Generation Really Retrieve What You Need? [57.28763506780752]
GraphFlowは、テキストリッチなKGから現実世界のクエリに必要な正確で多様な知識を効率的に取得するフレームワークである。 GPT-4oを含む強力なKG-RAGベースラインを10%上回り、ヒット率とリコール率で上回る。また、KGを見えないものに強く一般化し、その有効性と堅牢性を示す。
論文参考訳（メタデータ） (2025-10-18T17:06:49Z)
Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむこれは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
論文参考訳（メタデータ） (2025-09-25T06:48:52Z)
SubGCache: Accelerating Graph-based RAG with Subgraph-level KV Cache [20.26177496265456]
SubGCacheは、同じような構造的なプロンプトでクエリ間での計算を再利用することで、推論レイテンシを低減することを目的としている。 2つの新しいデータセットの実験では、SubGCacheは推論遅延を同等に減らし、生成品質も改善している。
論文参考訳（メタデータ） (2025-05-16T07:39:41Z)
Ontology-Guided, Hybrid Prompt Learning for Generalization in Knowledge Graph Question Answering [6.232269207752904]
OntoSCPromptは,2段階アーキテクチャを持つ新しい大規模言語モデル(LLM)ベースのKGQAアプローチである。 OntoSCPromptはまず、SPARQLクエリ構造(SELECT、ASK、WHERE、トークン不足のためのプレースホルダーなどのSPARQLキーワードを含む)を生成し、KG固有の情報でそれらを埋める。両段階で生成されたSPARQLクエリの正しさと実行性を保証するために,タスク固有のデコーディング戦略をいくつか提示する。
論文参考訳（メタデータ） (2025-02-06T11:47:58Z)
vCache: Verified Semantic Prompt Caching [95.16654660556975]
本稿では,ユーザ定義エラー率保証を備えた最初の検証済みセマンティックキャッシュであるvCacheを提案する。オンライン学習アルゴリズムを使用して、キャッシュされたプロンプト毎に最適な閾値を推定し、追加のトレーニングなしで信頼性の高いキャッシュ応答を可能にする。我々の実験によると、vCacheは特定のエラー境界を一貫して満たし、最先端の静的な閾値と微調整された埋め込みベースラインより優れています。
論文参考訳（メタデータ） (2025-02-06T04:16:20Z)
Towards a GML-Enabled Knowledge Graph Platform [0.5904265865319825]
本稿では、RDFエンジン上のサービスとして、オンデマンドグラフ機械学習(GML)であるKGNetを提案する。 KGNetはタスク固有のサブグラフを識別することで、KG上でGMLモデルのトレーニングを自動化する。トレーニングされたモデルはすべて、SPARQLライクなクエリを通じてアクセス可能である。
論文参考訳（メタデータ） (2023-03-03T17:41:11Z)
UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文参考訳（メタデータ） (2022-12-02T04:08:09Z)
HiSMatch: Historical Structure Matching based Temporal Knowledge Graph Reasoning [59.38797474903334]
本稿では,textbfHistorical textbfStructure textbfMatching (textbfHiSMatch)モデルを提案する。クエリと候補エンティティの履歴構造に含まれる意味情報をキャプチャするために、2つの構造エンコーダを適用する。 6つのベンチマークデータセットの実験では、提案されたHiSMatchモデルが、最先端のベースラインと比較して最大5.6%のパフォーマンス改善を達成している。
論文参考訳（メタデータ） (2022-10-18T09:39:26Z)
Toward Subgraph-Guided Knowledge Graph Question Generation with Graph Neural Networks [53.58077686470096]
知識グラフ(KG)質問生成(QG)は,KGから自然言語質問を生成することを目的とする。本研究は,KGサブグラフから質問を生成し,回答をターゲットとする,より現実的な環境に焦点を当てる。
論文参考訳（メタデータ） (2020-04-13T15:43:22Z)

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。