Fugu-MT 論文翻訳(概要): Schema-Agnostic Graph Reasoning Agent for Hybrid Knowledge Graphs

論文の概要: Schema-Agnostic Graph Reasoning Agent for Hybrid Knowledge Graphs

arxiv url: http://arxiv.org/abs/2608.15834v1
Date: Sun, 16 Aug 2026 16:10:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.439495
Title: Schema-Agnostic Graph Reasoning Agent for Hybrid Knowledge Graphs
Title（参考訳）: ハイブリッド知識グラフのためのスキーマ非依存グラフ推論エージェント
Abstract要約: 本稿では,ハイブリッド知識グラフを探索するグラフ推論エージェントGRAを紹介する。 258の産業ベンチマークであるUFK-Mでは、GRAは5.1ppのフルコンテキストエージェントを上回った。グラフのない制御は、主にグラフトポロジではなく、選択的なエージェントアクセスから得られる利得を示している。
参考スコア（独自算出の注目度）: 42.698418800007865
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Tool-calling LLM agents navigate unfamiliar codebases with a handful of generic primitives for listing, reading and searching files (ls, cat, grep). A knowledge graph admits the same interface: listing neighbours, reading node content and searching descriptions are the same operations on a different substrate. Building on this correspondence, we present GRA, a Graph Reasoning Agent that explores hybrid knowledge graphs, whose nodes are either textual concepts or relational tables, with seven generic tools, discovering everything domain-specific at run time. On UFK-M (Unified Factory Knowledge Model), an industrial benchmark of 258 analytical questions whose gold answers are produced by executing validated SQL programs, GRA beats a full-context agent by 5.1 pp (88.4% vs. 83.3%), while reading under a third of its input tokens. A graph-free control shows the gain comes chiefly from selective agentic access rather than graph topology, and that the effect depends on a model able to drive tools reliably. Seeing less, the agent answers better: selective navigation over a structured substrate beats exhaustive context.
Abstract（参考訳）: ツールコール LLM エージェントは、ファイル(ls, cat, grep)の一覧、読み込み、検索のためのいくつかのジェネリックプリミティブで、馴染みのないコードベースをナビゲートする。知識グラフは、近隣のリスティング、ノードの内容の読み込み、検索記述は同じ操作を異なる基板上で行う。この対応に基づいて、GRA(Graph Reasoning Agent)を提示する。GRAは、ノードがテキストの概念またはリレーショナルテーブルのいずれかであり、7つのジェネリックツールによって、実行時にドメイン固有のものすべてを発見するハイブリッド知識グラフを探索する。 UFK-M(Unified Factory Knowledge Model)は、検証済みSQLプログラムの実行によって金の回答が生成される258の産業ベンチマークであり、GRAは入力トークンの3分の1以下を読みながら5.1pp(88.4%対83.3%)のフルコンテキストエージェントを破る。グラフのない制御は、主にグラフトポロジよりも選択的エージェントアクセスによる利得を示し、その効果はツールを確実に駆動できるモデルに依存する。構造された基板上の選択的ナビゲーションは、徹底的なコンテキストを上回ります。

関連論文リスト

SelfGraphRAG: Bridging the Supervision Gap in Graph-Based RAG with Synthetic QA Generation [10.08021023788401]
SelfGraphRAGは知識グラフ構造から直接質問応答ペアを生成し、クエリ条件のグラフ検索をトレーニングするフレームワークである。本稿では,SelfGraphRAGにより,埋め込みベースラインよりも検索精度と下流推論性能が向上することを示す。
論文参考訳（メタデータ） (2026-08-25T20:18:05Z)
SEGRA: Structured Experience-Guided Graph Reasoning Agent for Gremlin Based Question Answering [1.4924423820656074]
テキスト・トゥ・グレムリン質問応答のための体験誘導エージェントSEGRAを紹介する。企業ITサポートのベンチマークでは、SEGRAはバックボーンのみのチェーン・オブ・シークレットのプロンプトよりも平均判断スコアが7.0倍高い。
論文参考訳（メタデータ） (2026-07-21T03:22:40Z)
GraphWalk: Enabling Reasoning in Large Language Models through Tool-Based Graph Navigation [0.2999888908665658]
問題に依存しない、トレーニング不要な、ツールベースのフレームワークであるGraphWalkを紹介します。我々は、GraphWalkを組み込んだモデルが、これらの操作を正しい多段階推論チェーンに構成できるかどうかを評価する。
論文参考訳（メタデータ） (2026-04-02T04:43:01Z)
Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
論文参考訳（メタデータ） (2026-01-23T05:41:05Z)
N2N-GQA: Noise-to-Narrative for Graph-Based Table-Text Question Answering Using LLMs [0.0]
ハイブリッドテーブルテキストデータに対するマルチホップ質問応答には,大規模コーパスからの複数のエビデンス部分の検索と推論が必要である。 Standard Retrieval-Augmented Generation (RAG) パイプラインは文書をフラットなランクリストとして処理し、検索ノイズがあいまいな推論連鎖を引き起こす。 N2N-GQAは、ノイズの多い検索出力から動的エビデンスグラフを構成する、オープンドメインハイブリッドテーブルテキストQAのための最初のゼロショットフレームワークである。
論文参考訳（メタデータ） (2026-01-10T15:55:15Z)
Search-on-Graph: Iterative Informed Navigation for Large Language Model Reasoning on Knowledge Graphs [26.0585592684229]
大規模言語モデル(LLM)は、知識集約型マルチホップ質問では信頼性が保たれていない印象的な推論能力を示している。本稿では,LLMの反復的なグラフナビゲーションを実現するための,シンプルかつ効果的なフレームワークである検索オングラフ(SoG)を提案する。 Wikidataベンチマーク(以前のベストメソッドよりも+16%改善)とFreebaseベンチマークの一貫性のある改善は特に顕著です。
論文参考訳（メタデータ） (2025-10-09T21:20:16Z)
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)
An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。 LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
論文参考訳（メタデータ） (2024-12-24T07:51:29Z)
GraphAgent: Agentic Graph Language Assistant [23.28223204340633]
明示的なグラフ依存と暗黙的なグラフ強化セマンティック相互依存性に対処する自動エージェントパイプラインであるGraphAgentを提案する。 GraphAgentには3つの重要なコンポーネントがある: (i) 複雑なセマンティックな依存関係を反映した知識グラフを構築するグラフ生成エージェント; (ii) 多様なユーザクエリを解釈し、エージェントによる自己計画を通じて対応するタスクを定式化するタスク計画エージェント; (iii) ユーザクエリに対応するツールマッチングと呼び出しを自動化しながら、計画されたタスクを効率的に実行するタスク実行エージェント。
論文参考訳（メタデータ） (2024-12-22T14:13:32Z)
G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
論文参考訳（メタデータ） (2024-02-12T13:13:04Z)
Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
論文参考訳（メタデータ） (2023-03-26T04:03:37Z)

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。