論文の概要: RACER: Reinforced Agent Collaboration for Explainable Reasoning on Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2608.29263v1
• Date: Sat, 29 Aug 2026 13:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.905014
• Title: RACER: Reinforced Agent Collaboration for Explainable Reasoning on Knowledge Graphs
• Title（参考訳）: RACER:知識グラフによる説明可能な推論のための強化されたエージェントコラボレーション
• Abstract要約: RACERは知識グラフ上の説明可能な推論のための強化されたエージェントコラボレーションフレームワークである。 レイダーは、セマンティック・アウェア・アクション・プルーニングと教師が指導する強化学習機構を用いて、高品質な推論経路を効率的に抽出する。 レイダーは、最先端のKG強化LDMベースラインよりも5%向上した。
• 参考スコア（独自算出の注目度）: 8.620753618563114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) often suffer from hallucination and struggle with complex reasoning tasks requiring multi-hop domain knowledge. While integrating Knowledge Graphs (KGs) provides a structured and verifiable information source, current KG-enhanced LLM paradigms usually rely on single-agent path extraction and fixed prompting, lacking adaptability and facing huge search spaces. To address these challenges, we propose RACER, a Reinforced Agent Collaboration framework for Explainable Reasoning on knowledge graphs. RACER employs a semantic-aware action pruning and teacher-guided reinforcement learning mechanism to efficiently extract high-quality reasoning pathways from large-scale KGs. Furthermore, to mitigate single-path generation pitfalls, we introduce a cross-task accumulated shared memory graph paired with an attention-driven multi-path knowledge refinement module. Finally, RACER orchestrates these components through a four-role multi-agent collaboration system (GraphAgent, TemplateAgent, AnswerAgent, and CriticAgent) to dynamically refine prompts and evaluate answers. Extensive experiments on CommonsenseQA and OpenBookQA datasets demonstrate that RACER significantly outperforms state-of-the-art KG-enhanced LLM baselines with an average improvement of 5\%, offering robust and highly interpretable reasoning capabilities.
• Abstract（参考訳）: 大規模言語モデル(LLM)は幻覚に悩まされ、マルチホップドメイン知識を必要とする複雑な推論タスクに苦しむことが多い。 知識グラフ(KGs)の統合は構造化され検証可能な情報ソースを提供するが、現在のKGのLLMパラダイムは通常、単一エージェントパス抽出と固定プロンプトに依存し、適応性に欠け、巨大な検索空間に直面している。 これらの課題に対処するために,知識グラフを用いた説明可能な推論のための強化エージェント協調フレームワークであるRACERを提案する。 RACERは、大規模KGから高品質な推論経路を効率的に抽出するために、セマンティック・アウェア・アクション・プルーニングと教師誘導強化学習機構を採用している。 さらに、単一パス生成の落とし穴を軽減するために、注目駆動型マルチパス知識改善モジュールと組み合わせたクロスタスク蓄積共有メモリグラフを導入する。 最後に、RACERは4ロールのマルチエージェントコラボレーションシステム(GraphAgent, TemplateAgent, AnswerAgent, CriticAgent)を通じてこれらのコンポーネントを編成し、プロンプトを動的に洗練し、回答を評価する。 CommonsenseQAとOpenBookQAデータセットの大規模な実験により、RACERは最先端のKG強化LLMベースラインを平均5倍に向上させ、堅牢で高い解釈可能な推論機能を提供することを示した。

関連論文リスト

• Mixture-of-Experts Knowledge Graph Retrieval-Augmented Generation for Multi-Agent LLM-based Recommendation [56.36851606088493]
  本稿では,知識グラフ検索拡張生成(KG-RAG)のための協調型マルチエージェントフレームワークを提案する。 MixRAGRecはMixture-of-Experts Retrieval Agentを統合し、各クエリを異なる粒度のKG検索専門家にルーティングする。
  論文  参考訳（メタデータ） (2026-05-27T08:56:57Z)
• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• 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)
• DynaSearcher: Dynamic Knowledge Graph Augmented Search Agent via Multi-Reward Reinforcement Learning [5.280613615397194]
  DynaSearcherは動的知識グラフとマルチリワード強化学習(RL)によって強化された革新的な検索エージェントである 検索精度, 効率, 応答品質などの学習目標を詳細に制御するために, マルチリワード RL フレームワークを用いる。 実験により,提案手法は6つのマルチホップ質問応答データセットに対して,最先端の回答精度を実現することを示す。
  論文  参考訳（メタデータ） (2025-07-23T09:58:31Z)
• 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)
• 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)
• RAG-KG-IL: A Multi-Agent Hybrid Framework for Reducing Hallucinations and Enhancing LLM Reasoning through RAG and Incremental Knowledge Graph Learning Integration [4.604003661048267]
  RAG-KG-ILは、大規模言語モデルの推論能力を高めるために設計された、新しいマルチエージェントハイブリッドフレームワークである。 Retrieval-Augmented Generation (RAG) と Knowledge Graphs (KG) をインクリメンタルラーニング (IL) アプローチに統合する。 我々は、健康関連クエリを含む実世界のケーススタディを用いて、このフレームワークを評価する。
  論文  参考訳（メタデータ） (2025-03-14T11:50:16Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)

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。