Fugu-MT 論文翻訳(概要): GRAIN: Bridging Name and Narrative Shifts in Real-World Graph Reasoning through Invariance-Rewarded Agentic RL

論文の概要: GRAIN: Bridging Name and Narrative Shifts in Real-World Graph Reasoning through Invariance-Rewarded Agentic RL

arxiv url: http://arxiv.org/abs/2608.27142v1
Date: Thu, 27 Aug 2026 13:53:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-28 16:30:58.43434
Title: GRAIN: Bridging Name and Narrative Shifts in Real-World Graph Reasoning through Invariance-Rewarded Agentic RL
Title（参考訳）: GRAIN: Invariance-rewarded Agentic RLによる実世界のグラフ推論における名前とナラティブシフト
Abstract要約: 強化学習により最適化された単一エージェントフレームワークであるGRAINを提案する。 GRAINはセマンティック解析とツール実行パイプラインとして推論をモデル化する。マルチエージェントベースラインの精度は16.45%向上し、レイテンシは約24%低下した。
参考スコア（独自算出の注目度）: 34.35715901787783
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Despite their potential in standardized graph tasks, Large Language Models (LLMs) remain brittle to real-world shifts in node identifiers and task formulation. While deterministic graph tools are invariant to such shifts, extracting topological structures from noisy text is highly fragile for LLMs, which often overfit to surface patterns. Moreover, mitigating these parsing failures via multi-agent systems incurs prohibitive latency. To address this, we propose GRAIN, a single-agent framework optimized via reinforcement learning. GRAIN models reasoning as a semantic parsing and tool-execution pipeline, guided by a Structure Invariance Reward. By validating extracted intermediate graphs against ground-truth topologies, this reward forces the LLM to learn robust text-to-structure mappings rather than memorizing linguistic artifacts. We also introduce GRIT, a benchmark evaluating sensitivity to such linguistic shifts. GRAIN outperforms multi-agent baselines by 16.45\% in accuracy with approximately 24\% lower latency. Furthermore, it demonstrates superior structural generalization, halving the out-of-distribution (OOD) gap of SFT models (from 15.77\% to 7.80\%) and maintaining robustness on large-scale graphs beyond the training distribution.
Abstract（参考訳）: 標準化されたグラフタスクの可能性にもかかわらず、Large Language Models (LLMs) はノード識別子やタスクの定式化における現実のシフトに対して脆弱なままである。決定論的グラフツールはそのようなシフトに不変であるが、ノイズの多いテキストから位相構造を抽出することはLLMにとって非常に脆弱であり、しばしば表面パターンに過度に適合する。さらに、マルチエージェントシステムによるこれらの解析失敗の軽減は、違法なレイテンシを引き起こす。そこで我々は,強化学習によって最適化された単一エージェントフレームワークであるGRAINを提案する。 GRAINモデルは、構造不変リワードによってガイドされるセマンティック解析とツール実行パイプラインとして推論する。抽出した中間グラフを地層構造トポロジーに対して検証することにより、LLMは言語的アーティファクトを記憶するのではなく、堅牢なテキスト-構造マッピングを学習せざるを得なくなる。また,このような言語変化に対する感度を評価するベンチマークGRITも導入する。 GRAIN はマルチエージェントベースラインを 16.45 % の精度で、約 24 % のレイテンシで上回る。さらに、SFTモデルのアウト・オブ・ディストリビューション(OOD)ギャップ(15.77\%から7.80\%)を半減らし、トレーニング分布を超える大規模グラフの堅牢性を維持するなど、優れた構造的一般化を示す。

関連論文リスト

Rethinking Message Passing as Retrieval for Text-Attributed Graph Learning [63.602658976990874]
グラフニューラルネットワーク(GNN)は通常、メッセージパッシングニューラルネットワークとして概念化されている。本稿では,GNNの検索拡張ビューについて述べる。各レイヤは,検索したグラフコンテキストの置換インサマリとともに,ノード表現に変分を適用して予測を行う。この観点から、構造的メッセージパッシングをラベル認識検索と伝搬に置き換えるシンプルな集約ベースのフレームワークであるRTAを提案する。
論文参考訳（メタデータ） (2026-08-27T07:25:44Z)
Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文参考訳（メタデータ） (2026-03-23T14:48:54Z)
HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
論文参考訳（メタデータ） (2026-02-24T14:05:29Z)
RL-Struct: A Lightweight Reinforcement Learning Framework for Reliable Structured Output in LLMs [0.08594140167290097]
大規模言語モデル(LLM)は、自然言語の生成と推論において顕著な能力を示した。自動化されたソフトウェアエコシステムへの統合は、しばしば"構造ギャップ"によって妨げられます。このギャップを埋めるための軽量で効率的な強化学習フレームワークを提案する。
論文参考訳（メタデータ） (2025-11-29T04:47:14Z)
GRAVER: Generative Graph Vocabularies for Robust Graph Foundation Models Fine-tuning [92.19531718298744]
Graph Foundation Models (GFMs) は、さまざまなグラフタスクやドメインにまたがる広範な適用性を約束している。既存のGFMは不安定な数発の微調整に苦戦している。本稿では,ロバスト GFM ファインチューニングフレームワーク GRAVER を提案する。
論文参考訳（メタデータ） (2025-11-05T13:07:26Z)
GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
論文参考訳（メタデータ） (2025-10-06T08:09:15Z)
GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
論文参考訳（メタデータ） (2025-09-20T02:38:00Z)
Enhancing Spatial Reasoning in Vision-Language Models via Chain-of-Thought Prompting and Reinforcement Learning [0.42855555838080844]
本研究では,視覚言語モデル(VLM)の空間的推論能力について,Chain-of-Thoughtプロンプトと強化学習を通して検討した。モデルが解答の前に推論ステップを生成する単純なCoT形式は、モデルの本来の性能を損なう可能性がある。対照的に、シーングラフ(SceneGraph CoT)に基づく構造化マルチステージプロンプトは空間推論の精度を大幅に向上させる。
論文参考訳（メタデータ） (2025-07-06T10:51:12Z)
TrustGLM: Evaluating the Robustness of GraphLLMs Against Prompt, Text, and Structure Attacks [3.3238054848751535]
テキスト,グラフ構造,即時操作の3次元にわたる敵攻撃に対するGraphLLMの脆弱性を評価する総合的研究であるTrustGLMを紹介する。この結果から,GraphLLMsは,ノードのテキスト属性に含まれる意味論的に類似した単語を置き換えるだけで,テキスト攻撃に非常に敏感であることが判明した。また、標準グラフ構造攻撃手法はモデル性能を著しく低下させるが、プロンプトテンプレートで候補ラベルセットをランダムにシャッフルすると性能が大幅に低下する。
論文参考訳（メタデータ） (2025-06-13T14:48:01Z)
LOBSTUR: A Local Bootstrap Framework for Tuning Unsupervised Representations in Graph Neural Networks [0.9208007322096533]
グラフニューラルネットワーク(GNN)は、教師なし学習技術と組み合わせて強力なノード表現を学習するために、ますます利用されている。教師なしグラフ表現学習におけるブートストラップ手法の適用を目的とした新しいフレームワークを提案する。
論文参考訳（メタデータ） (2025-05-20T19:59:35Z)
Structural Alignment Improves Graph Test-Time Adaptation [17.564393890432193]
グラフテスト時間適応(GTTA)のための新しいアルゴリズムであるテスト時間構造アライメント(TSA)を導入する。 TSAは、ソースデータにアクセスすることなく、推論中にグラフ構造を整列する。合成および実世界のデータセットの実験は、TSAが非グラフTTA法と最先端GTTAベースラインの両方で一貫した性能を実証している。
論文参考訳（メタデータ） (2025-02-25T16:26:25Z)

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。