論文の概要: From Extraction to Governed Memory: Multi-Agent Knowledge Graph Construction with Domain-Expert Review

• arxiv url: http://arxiv.org/abs/2608.28642v1
• Date: Wed, 12 Aug 2026 01:45:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-06 19:38:41.461931
• Title: From Extraction to Governed Memory: Multi-Agent Knowledge Graph Construction with Domain-Expert Review
• Title（参考訳）: 抽出からGoverned Memoryへ:Domain-Expert Reviewによるマルチエージェント知識グラフ構築
• Abstract要約: 信頼性のあるエージェント知識システムは、このギャップを埋めるためには、グラフ構築の不可欠なコンポーネントとしてガバナンスを必要とします。 本稿では,Governed Knowledge Graphsを構築するための多エージェントフレームワークであるMAGGを提案する。 SciERCでは、MAGGは厳密な三重F1を47%改善し、平らな挿入で三重F1を51%改善する。 MuSiQue では、MAGG は Microsoft GraphRAG を 9.0 の正確なマッチ点と 11.2 のトークン-F1 点で上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs used by agentic systems are often treated as flat stores of extracted triples, with little record of who owns a fact, why it was admitted, or how it should be used downstream. We argue that reliable agentic knowledge systems require governance as an essential component of graph construction to bridge this gap. We propose MAGG, a principled multi-agent framework for constructing Governed Knowledge Graphs that introduces explicit governance decisions for reliable and trustworthy knowledge sharing. A domain classifier first induces entity and relation types directly from document content, enabling operation in open-world settings without fixed schemas. Candidate triples are assigned to domain owners, reviewed against supporting evidence, admitted through governance decisions, and stored with audit metadata. The same ownership structure is reused during question answering, where queries are routed to domain-specific graph experts rather than answered through undifferentiated retrieval. Our evaluation demonstrates MAGG's effectiveness: On SciERC, MAGG improves strict triple F1 by 47% and mapped triple F1 by 51% over flat insertion. A blinded review of 120 triples finds governed-only triples more often source-supported than flat-only ones, and revised triples supported in 100% of cases. Finally, on MuSiQue, MAGG outperforms Microsoft GraphRAG by 9.0 exact-match points and 11.2 token-F1 points.
• Abstract（参考訳）: エージェントシステムで使用される知識グラフは、しばしば抽出されたトリプルのフラットストアとして扱われる。 信頼性のあるエージェント知識システムは、このギャップを埋めるためには、グラフ構築の不可欠なコンポーネントとしてガバナンスを必要とします。 本稿では,信頼度の高い知識共有のためのガバナンス決定を明示的に導入する,Governed Knowledge Graphsを構築するための原則的マルチエージェントフレームワークであるMAGGを提案する。 ドメイン分類器は、まずドキュメントコンテンツから直接エンティティとリレーションタイプを誘導し、固定スキーマなしでオープンワールド設定での操作を可能にする。 候補のトリプルはドメイン所有者に割り当てられ、エビデンスを支持し、ガバナンス決定を通じて承認され、監査メタデータが格納される。 同じオーナシップ構造は質問応答中に再利用され、クエリは未分化の検索によって答えられるのではなく、ドメイン固有のグラフ専門家にルーティングされる。 SciERCでは厳密な三重F1を47%改善し,平坦な挿入で三重F1を51%改善した。 120のトリプルの盲目レビューでは、フラットオンリーのトリプルよりもソースサポートが頻繁に行われ、100%のケースで修正トリプルがサポートされている。 最後に MuSiQue では、MAGG は Microsoft GraphRAG を 9.0 の正確なマッチ点と 11.2 のトークン-F1 点で上回っている。

関連論文リスト

• GRACE: Graph-Grounded Reflective Agent Copilot Engine for Expert-in-the-Loop Knowledge Expansion [2.729876880765472]
  大規模言語モデルは、しばしばもっともらしいが根拠のないクレームを生成する。 GRACEは、応答をアトミックなクレームに分解し、信頼された知識の先駆者に対してそれらを根拠とするフレームワークである。 複数の言語モデルおよび一般知識とドメイン固有知識の両方にまたがるデータセット上でGRACEを評価する。
  論文  参考訳（メタデータ） (2026-09-03T20:03:20Z)
• Memory-First Fact-Checking: A Knowledge-Graph-Grounded Multi-Agent System for Misinformation Detection [42.698418800007865]
  本稿では,知識グラフに基づくセマンティックメモリと逆多エージェント推論を統合し,説明可能な誤情報検出を行うハイブリッドファクトチェックフレームワークを提案する。 提案システムはメモリファーストのWebフォールバックアーキテクチャに従っており、入力クレームは2次元知識グラフに対して初期評価される。 グラフから取得した証拠が信頼性のある決定を支持するには不十分な場合には、信頼できるWebソースから情報を収集し、支持、矛盾、判断エージェントからなる相手方裁判を用いて評価する。
  論文  参考訳（メタデータ） (2026-08-30T07:16:07Z)
• Agentic GraphRAG: Navigating Unstructured Financial Data with Collaborative AI [0.28647133890966986]
  本稿では,商用レジストリデータのエキスパート分析のための協調エージェントGraphRAGフレームワークを提案する。 当社のアプローチでは,3フェーズパイプラインを通じてNeo4jナレッジグラフを構築しています。 Human-in-the-loopダッシュボードは、エビデンスと実行トレースを公開して、透明性と監査性をサポートする。
  論文  参考訳（メタデータ） (2026-04-15T16:16:14Z)
• CodaRAG: Connecting the Dots with Associativity Inspired by Complementary Learning [50.98972985136333]
  CodaRAGは、受動的検索からアクティブな連想発見へと進化するフレームワークである。 CodaRAGは、検索リコールで7-10%、生成精度で3-11%という絶対的なゲインを達成する。
  論文  参考訳（メタデータ） (2026-04-12T02:50:40Z)
• 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)
• Hybrid Fact-Checking that Integrates Knowledge Graphs, Large Language Models, and Search-Based Retrieval Agents Improves Interpretable Claim Verification [2.7268409633809902]
  大きな言語モデル(LLM)は、流速な発話を生成するのに優れるが、検証された情報の信頼性に欠ける。 本システムは3つの自律的なステップから構成される: 1) 知識グラフ (KG) を高速に検索する - (DBpedia) ホップ検索、2) タスク固有のラベル付けプロンプトで案内されるLMベースの分類、3) KGのカバレッジが不十分な場合にのみ起動されるWeb検索エージェント。
  論文  参考訳（メタデータ） (2025-11-05T06:10:05Z)
• Hound: Relation-First Knowledge Graphs for Complex-System Reasoning in Security Audits [0.0]
  Houndは、複雑なコンポーネント間のシステムレベルの推論を改善するリレーショナルファーストグラフエンジンである。 2つめのコントリビューションは、永続的な信念システムである。
  論文  参考訳（メタデータ） (2025-09-29T02:46:02Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• RAGulating Compliance: A Multi-Agent Knowledge Graph for Regulatory QA [0.0]
  規制コンプライアンス質問応答(QA)は、正確で検証可能な情報を必要とする。 我々は、レギュレーション三重項の知識グラフ(KG)とレトリーバル拡張生成(RAG)を統合する新しいマルチエージェントフレームワークを提案する。 我々のハイブリッドシステムは、複雑な規制クエリにおいて従来の手法よりも優れており、組込み三重項による事実の正しさが保証されている。
  論文  参考訳（メタデータ） (2025-08-13T15:51:05Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• 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)

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。