論文の概要: FedV-KGQA: Multi-Hop Question Answering over Vertically Partitioned Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2608.24846v1
• Date: Tue, 25 Aug 2026 17:34:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:35.114356
• Title: FedV-KGQA: Multi-Hop Question Answering over Vertically Partitioned Knowledge Graphs
• Title（参考訳）: FedV-KGQA: 垂直分割型知識グラフに対するマルチホップ質問応答
• Abstract要約: FedV-KGQAは知識グラフに対するマルチホップ推論のためのフレームワークである。 我々は,実行時とサイロ間通信を伴わずに,適切なグラフ近傍で質問を根拠とするトピックエンティティアンカー機構を導入する。
• 参考スコア（独自算出の注目度）: 1.1565257196553245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world data for knowledge graph question answering is often distributed across different organizations due to governance and data sovereignty constraints. While centralized systems exist, they cannot answer multi-hop questions when the required facts are split across vertically partitioned silos. In this paper, we propose FedV-KGQA, a framework for multi-hop reasoning over knowledge graphs in which organizations share entities but own disjoint sets of relations. Our approach combines local graph enrichment and knowledge graph embeddings to ensure raw triples and relation parameters never leave each silo, establishing a structural data boundary without requiring centralized graph access. We further introduce a topic entity anchoring mechanism that grounds questions in the correct graph neighborhood without any runtime inter-silo communication. We evaluate 12 model configurations across three benchmarks and show that FedV-KGQA performs strongly, remains close to centralized performance, generalizes to 3-hop reasoning, and is robust to embedding perturbations.
• Abstract（参考訳）: 知識グラフの回答のための実世界のデータは、ガバナンスとデータ主権の制約のために、しばしば異なる組織に分散されます。 集中型システムは存在するが、必要な事実が垂直に分割されたサイロに分割されている場合、マルチホップの質問に答えることはできない。 本稿では,知識グラフに対するマルチホップ推論のためのフレームワークであるFedV-KGQAを提案する。 提案手法では,局所グラフの豊かさと知識グラフの埋め込みを組み合わせることで,生三重項と関係パラメータが各サイロを離れることのないようにし,集中的なグラフアクセスを必要とせずに構造的データ境界を確立する。 さらに,実行時間通信を必要とせずに,適切なグラフ近傍での質問を根拠として,トピックエンティティアンカー機構を導入する。 我々は、3つのベンチマークで12のモデル構成を評価し、FedV-KGQAが強く機能し、中央集権的性能に近づき、3ホップ推論に一般化し、摂動の埋め込みに頑健であることを示す。

関連論文リスト

• Cost Characterization of Vertically Partitioned Federated Knowledge Graphs [1.1565257196553245]
  知識グラフは、エンティティ空間を共有するが、関係の非結合部分集合を所有する自律的な組織に分散している。 マルチホップクエリに答えるには、複数のサイロから事実を組み合わせる必要がある可能性がある。 設計空間として垂直分割を形式化し、セマンティックドメイングループ化、周波数バランス分割、共起グラフカット分割、ランダム分割の4つの戦略を比較する。
  論文  参考訳（メタデータ） (2026-09-12T02:47:14Z)
• FedV-KGQA in Practice: Design Lessons and an Interactive Prototype [1.1565257196553245]
  このポスターは, 垂直分割グラフ上でのマルチホップ質問応答におけるFedV-KGQAの結果を示す。 FedV-KGQA実験を互いに比較すると、3つの結果が得られる。
  論文  参考訳（メタデータ） (2026-09-12T02:39:19Z)
• STEM: Structure-Tracing Evidence Mining for Knowledge Graphs-Driven Retrieval-Augmented Generation [16.213081669689185]
  Structure-Tracing Evidence Mining (STEM)は、スキーマ誘導グラフ検索タスクとしてマルチホップ推論を再構成する新しいフレームワークである。 グラフ構築過程において,グローバルな構造情報をより効率的に統合するために,トリプル依存型GNNを設計する。 STEMはマルチホップ推論グラフ検索の精度とエビデンス完全性の両方を著しく改善し、マルチホップベンチマークにおけるステート・オブ・ザ・アート性能を達成する。
  論文  参考訳（メタデータ） (2026-04-24T06:56:58Z)
• Query-Aware Flow Diffusion for Graph-Based RAG with Retrieval Guarantees [10.806910118253976]
  グラフベースのRetrieval-Augmented Generation (RAG)システムは複雑な関係を捉えるために相互接続された知識構造を利用する。 本稿では,各クエリの全体的意味論にグラフトラバーサルを動的に適用する学習自由フレームワークであるQuery-Aware Flow Diffusion RAG (QAFD-RAG)を提案する。 QAFD-RAGは、弱い信号対雑音条件下で、高い確率で関連部分グラフを復元する。
  論文  参考訳（メタデータ） (2026-04-21T08:53:34Z)
• Beyond RAG for Cyber Threat Intelligence: A Systematic Evaluation of Graph-Based and Agentic Retrieval [3.9289966569145442]
  サイバー脅威インテリジェンス(CTI)のアナリストは、大量の物語のセキュリティレポートに関する複雑な質問に答えなければならない。 Retrieval-augmented Generation (RAG) システムは、言語モデルが外部知識にアクセスするのに役立つ。 CTI解析のための4つのRAGアーキテクチャを体系的に評価する。
  論文  参考訳（メタデータ） (2026-04-13T13:02:44Z)
• Transformers Provably Learn Directed Acyclic Graphs via Kernel-Guided Mutual Information [91.66597637613263]
  注意機構を活用するトランスフォーマーベースのモデルは、グラフ内の複雑な依存関係をキャプチャする上で、強い経験的成功を示している。 本稿では,カーネル誘導相互情報(KG-MI)を$f$-divergenceに基づく新しい情報理論指標を提案する。 我々は、K$親和性DAGによって生成された任意のシーケンスが、勾配上昇による単層マルチヘッドトランスを訓練し、大域的最適時間に収束することを証明した。
  論文  参考訳（メタデータ） (2025-10-29T14:07:12Z)
• SUBQRAG: Sub-Question Driven Dynamic Graph RAG [34.20328335590984]
  SubQRAGは、推論深度を高めるサブクエスト駆動のフレームワークである。 SubQRAGは複雑な質問を検証可能なサブクエストの順序付けられた連鎖に分解する。 3つのマルチホップQAベンチマークの実験では、SubQRAGが一貫性と大幅な改善を実現している。
  論文  参考訳（メタデータ） (2025-10-09T02:55:58Z)
• 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)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• Learning Federated Neural Graph Databases for Answering Complex Queries from Distributed Knowledge Graphs [53.03085605769093]
  我々は、マルチソースグラフデータに対するプライバシ保護推論を促進する先駆的な体系的フレームワークであるFederated Neural Graph DataBase(FedNGDB)を学習することを提案する。 FedNGDBは、フェデレートされた学習を活用して、複数のソースにわたるグラフ表現を協調的に学習し、エンティティ間の関係を強化し、グラフデータの全体的な品質を改善する。
  論文  参考訳（メタデータ） (2024-02-22T14:57:44Z)
• Individual and Structural Graph Information Bottlenecks for Out-of-Distribution Generalization [21.227825123510293]
  I-GIB(Personal Graph Information Bottleneck)とS-GIB(Structure Graph Information Bottleneck)を提案する。 I-GIBは、入力グラフとその埋め込み間の相互情報を最小化することにより、無関係な情報を破棄する。 S-GIBは同時に急激な特徴を捨て、高次の視点から不変な特徴を学ぶ。
  論文  参考訳（メタデータ） (2023-06-28T03:52:41Z)
• Question-Answer Sentence Graph for Joint Modeling Answer Selection [122.29142965960138]
  我々は,質問文,質問文,回答文のペア間のスコアを計算するための最先端(SOTA)モデルを訓練し,統合する。 オンライン推論は、目に見えないクエリのAS2タスクを解決するために実行される。
  論文  参考訳（メタデータ） (2022-02-16T05:59:53Z)
• Dynamic Semantic Graph Construction and Reasoning for Explainable Multi-hop Science Question Answering [50.546622625151926]
  マルチホップQAのための説明可能性を得ながら,より有効な事実を活用できる新しいフレームワークを提案する。 a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(c) グラフ畳み込みネットワーク(GCN)を利用した事実レベルの関係モデリング,(c) 推論過程の導出を行う。
  論文  参考訳（メタデータ） (2021-05-25T09:14:55Z)
• Graph-Based Tri-Attention Network for Answer Ranking in CQA [56.42018099917321]
  本稿では,グラフに基づく新しい三者関係ネットワーク,すなわちGTANを提案し,回答ランキングのスコアを生成する。 実世界の3つのCQAデータセットの実験では、GTANは最先端の回答ランキング法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2021-03-05T10:40:38Z)

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。