論文の概要: Graph Evidence Is Not Enough: Diagnosing Native Decoder Use in Graph-Augmented LLMs

• arxiv url: http://arxiv.org/abs/2608.30437v2
• Date: Tue, 01 Sep 2026 06:44:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 14:14:26.022911
• Title: Graph Evidence Is Not Enough: Diagnosing Native Decoder Use in Graph-Augmented LLMs
• Title（参考訳）: グラフエビデンス:グラフ拡張 LLM で使用されるネイティブデコーダの診断
• Authors: Xiaoyu Guo, Pengcheng Chen, Jiong Yu, Yi Lu, Yaohua Wang, Ziyang Li,
• Abstract要約: グラフ拡張された大きな言語モデルは、しばしば、外部計算によって生成されたグラフ証拠をネイティブデコーダで使用することができると仮定する。 グラフエビデンスを提供することは、使用可能にすることとは同じではないことを示す。 診断駆動インタフェース設計がネイティブデコーダのユーザビリティを向上させることを示す例として,S$2$GEを挙げる。
• 参考スコア（独自算出の注目度）: 23.31472184486587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-augmented large language models often assume that graph evidence produced by external computation and placed in the input can be used by the native decoder. We test this assumption with HopQA, a deliberately bounded diagnostic that asks for the shortest-hop distance between two query nodes. Because the answer is a small integer and the target is purely topological, failure cannot be dismissed as open-ended generation or ambiguous evaluation. Yet existing graph-augmented baselines still fail on this setting, showing that providing graph evidence is not the same as making it usable. We introduce an intervention triangle with three matched conditions: readable graph evidence, shuffled graph evidence, and no-graph input. This separates evidence inclusion, structural readability, and decoder-usable topology. Guided by this diagnosis, we present S$^2$GE as an instance showing that diagnosis-driven interface design can improve native decoder usability. S$^2$GE uses query-aware sampling, endpoint and proximity-based ordering, and structure-preserving alignment. Across DBLP, Biomedical, GoodReads, and PubMed, S$^2$GE achieves strict exact-match scores of $36.5\%$, $57.8\%$, $76.6\%$, and $52.0\%$, improving over the strongest native-generation baseline by $53.5$ points on average. The interventions further reveal harmful-shuffle, shuffle-robust, and no-graph-saturated regimes.
• Abstract（参考訳）: グラフ拡張された大きな言語モデルは、外部計算によって生成され、入力に置かれるグラフ証拠をネイティブデコーダで使用できると仮定することが多い。 この仮定を、2つのクエリノード間の最短ホップ距離を求める意図的な境界付き診断であるHopQAで検証する。 答えは小さい整数であり、ターゲットは純粋に位相的であるため、失敗はオープン・エンド・ジェネレーションやあいまいな評価として否定することはできない。 しかし、既存のグラフ拡張ベースラインはこの設定ではまだ失敗しており、グラフエビデンスの提供は使用可能にするのと同じではないことを示している。 3つの整合した条件:可読性グラフエビデンス、シャッフルグラフエビデンス、非グラフインプット。 これはエビデンス、構造的可読性、デコーダ使用可能なトポロジーを分離する。 本症例では,S$^2$GEを用いて,診断駆動インタフェース設計がネイティブデコーダのユーザビリティを向上させることを示す。 S$^2$GEは、クエリ対応サンプリング、エンドポイントと近接ベースの順序付け、構造保存アライメントを使用する。 DBLP、Biomedical、GoodReads、PubMedにまたがって、S$2$GEは36.5.%$、57.8\%$、76.6\%$、52.0\%$の厳格な正確なマッチスコアを獲得し、ネイティブ世代ベースラインを平均53.5$ポイント改善している。 これらの介入により、有害なシャッフル、シャッフルロバスト、およびグラフ飽和状態が明らかになる。

関連論文リスト

• Dual Spatial-Temporal Attribution: Architecture-Aligned Post-Hoc Explainability for Recurrent Graph Anomaly Detection [1.8899300124593645]
  動的グラフにおける異常検出のためのポストホックな説明可能性フレームワークであるX-AddGraphを提案する。 検出器は凍結されているため、検出性能は正確に保存される。 X-AddGraphはすべてのスコアを同一に再現し、存在しない説明を追加します。
  論文  参考訳（メタデータ） (2026-08-12T15:58:27Z)
• Operational Feature Fingerprints of Graph Datasets via a White-Box Signal-Subspace Probe [0.3058685580689604]
  予測およびグラフデータセット診断のためのホワイトボックス信号サブスペースプローブであるWG-SRCを提案する。 学習したメッセージパッシングを、生の特徴を含む固定された名前のグラフ署名辞書に置き換える。 ホワイトボックスグラフ学習装置として、WG-SRCは予測性能を使用して診断の検証を行う。
  論文  参考訳（メタデータ） (2026-04-24T16:00:53Z)
• Graph-Based Fraud Detection with Dual-Path Graph Filtering [52.459703746017624]
  グラフデータの不正検出には、異なるタイプのノードを区別する必要がある。 本稿では,デュアルパスグラフフィルタを用いたグラフベースフラッド検出モデルを提案する。 4つの実世界の金融不正検出データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-04-14T20:46:36Z)
• GRAD: Graph-Retrieved Adaptive Decoding for Hallucination Mitigation [12.69955054591315]
  コーパス由来の証拠を再学習せずに生成する復号時間法であるグラフ検索適応復号法(GRAD)を導入する。 3つのモデルと様々な質問応答ベンチマークで、GRADは一貫してベースラインを超えている。 GRADは、コントラストデコーディングやナレッジグラフの拡張に対して、軽量でプラグアンドプレイの代替手段を提供する。
  論文  参考訳（メタデータ） (2025-11-05T22:51:16Z)
• 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)
• DPGAN: A Dual-Path Generative Adversarial Network for Missing Data Imputation in Graphs [17.847551850315895]
  本稿では,DPGAN(Dual-Pathrative Adversarial Network)と呼ばれる新しいフレームワークを提案する。 DPGANは、欠落したデータと同時に処理し、過度にスムースな問題を回避することができる。 さまざまなベンチマークデータセットにわたる総合的な実験は、DPGANが既存の最先端の計算アルゴリズムよりも優れていなくても、一貫して競合していることを裏付けている。
  論文  参考訳（メタデータ） (2024-04-26T05:26:10Z)
• Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
  Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。 既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。 現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。 我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
  論文  参考訳（メタデータ） (2021-12-02T03:18:18Z)
• Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection [78.88163190021798]
  不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。 4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。 我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
  論文  参考訳（メタデータ） (2020-05-01T21:43:58Z)

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。