論文の概要: HyGRAIL: Cost-Aware and Evidence-Grounded Scientific Hypothesis Discovery over Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2609.02056v1
• Date: Wed, 02 Sep 2026 03:34:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.040909
• Title: HyGRAIL: Cost-Aware and Evidence-Grounded Scientific Hypothesis Discovery over Knowledge Graphs
• Title（参考訳）: HyGRAIL:知識グラフによるコスト認識とエビデンスを取り巻く科学的仮説発見
• Abstract要約: HyGRAILは、グラフニューラルネットワークと仮説レビューを組み合わせたコスト認識フレームワークである。 知識グラフ(KG)からノードレベルアソシエーションとマルチホップリレーショナルパスを検索する。 MatKGでは、HyGRAILが0.429得点を獲得し、最強のベースラインを0.242F1点、GNNのみのベースラインを0.322点に改善した。
• 参考スコア（独自算出の注目度）: 27.213223725307106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific knowledge graphs organize entities and relations extracted from scientific literature, but they remain inherently incomplete. Missing typed links in such graphs can therefore represent plausible scientific hypotheses, such as unexplored associations between materials and applications. However, scientific hypothesis discovery is challenging because true discoveries are extremely sparse among typed candidate pairs: graph neural networks (GNNs) are efficient but unreliable for ambiguous cases, while large language models (LLMs) are knowledgeable but too costly to apply exhaustively and are not naturally grounded in graph structures. We propose HyGRAIL, a cost-aware and evidence-grounded framework that combines heterogeneous GNN triage with LLM-based hypothesis review. HyGRAIL first uses a GNN to score candidate hypotheses and identify a validation-calibrated ambiguous region, routing only graph-uncertain cases to LLM review. For each routed hypothesis, HyGRAIL retrieves node-level associations and multi-hop relational paths from the knowledge graph (KG), then converts this structured evidence into natural language through template-based or LLM-based naturalization. An LLM review agent finally judges each hard hypothesis using the naturalized evidence and validation-selected decision criteria. On MatKG, HyGRAIL achieves the best F1 score of 0.429, improving over the strongest prior baseline by 0.242 F1 points and over the GNN-only baseline by 0.322. Meanwhile, GNN triage reduces the LLM call rate by 54.36% on average. Ablation studies further show that retrieved graph evidence is crucial for reliable hypothesis verification and that compact, two-sided evidence is more effective than simply increasing retrieval quantity.
• Abstract（参考訳）: 科学知識グラフは、科学文献から抽出された実体と関係を整理するが、本質的には不完全である。 このようなグラフにおける型付きリンクの欠如は、材料と応用の間の未探索な関連のような、妥当な科学的仮説を表わすことができる。 グラフニューラルネットワーク(GNN)は効率的だが不明瞭なケースでは信頼性が低いが、大きな言語モデル(LLM)は知識に富んでいるが、網羅的に適用するにはコストがかかり、グラフ構造に自然に基礎を置いていない。 ヘテロジニアスGNNトリアージとLLMに基づく仮説レビューを組み合わせた,費用対効果とエビデンスに基づくフレームワークHyGRAILを提案する。 HyGRAILはまず、GNNを使用して候補仮説をスコアし、検証校正された曖昧な領域を特定し、グラフ不確実なケースのみをLSMレビューにルーティングする。 経路仮説ごとに、HyGRAILは知識グラフ(KG)からノードレベルの関連やマルチホップ関係経路を検索し、テンプレートベースの帰化やLLMベースの自然化を通じて、この構造化された証拠を自然言語に変換する。 LLMレビューエージェントは、帰化証拠とバリデーション選択決定基準を用いて、各ハード仮説を最終的に判定する。 MatKGでは、HyGRAILが0.429得点を獲得し、最強のベースラインを0.242F1点、GNNのみのベースラインを0.322点に改善した。 一方、GNNのトリアージにより、LCMのコールレートは平均54.36%削減される。 アブレーション研究では、検索されたグラフ証拠は信頼性の高い仮説検証に不可欠であり、コンパクトで二面的な証拠は単に検索量を増やすよりも有効であることが示されている。

関連論文リスト

• HypoKG: Evidence-Disciplined Biomedical Hypothesis Generation Beyond Endpoint Knowledge [0.0]
  大規模言語モデル(LLMs)は生医学的な仮説を生成できるが、科学的証拠から真に理にかなうものなのか、あるいは単に説得力のあるアイデアを生み出すものなのかは定かではない。 我々は3つの主要な生物学的データベースを統一された生化学知識グラフに結合し、ソースの酵素レア疾患終末を繋ぐ550の経路のベンチマークを構築した。 ソースと疾患の終端が与えられたモデルは、しばしば最も高いスコアの仮説を導出し、LLMが最小限の情報から魅力的なアイデアを生成できることを示す。
  論文  参考訳（メタデータ） (2026-09-10T22:36:02Z)
• A phenotype-driven and evidence-governed framework for knowledge graph enrichment and hypotheses discovery in population data [8.680081568962999]
  本稿では,このパラダイムを構造化仮説発見と制御KG展開にシフトさせる枠組みを提案する。 このアプローチは、表現型発見、因果推論、確率論的推論、仮説生成とクレーム抽出のための大規模言語モデル(LLM)のためにグラフニューラルネットワーク(GNN)を統合する。 異種集団データセットの実験により、提案手法はより解釈可能な表現型を生成し、文脈に依存した因果構造を明らかにし、データと科学的証拠の両方に整合した高品質なクレームを生成することが示された。
  論文  参考訳（メタデータ） (2026-04-18T12:49:57Z)
• HOLOGRAPH: Active Causal Discovery via Sheaf-Theoretic Alignment of Large Language Model Priors [12.969042037563971]
  HOLOGRAPHは、大規模言語モデルに基づく因果発見を形式化するフレームワークである。 我々の重要な洞察は、コヒーレントなグローバル因果構造は、グローバルセクションの存在に対応することである。 合成および実世界のベンチマークの実験は、HOLOGRAPHが厳密な数学的基礎を提供することを示した。
  論文  参考訳（メタデータ） (2025-12-30T21:47:05Z)
• CoT-Evo: Evolutionary Distillation of Chain-of-Thought for Scientific Reasoning [63.44477226386808]
  先進的な大規模言語モデル(LLM)からのCoT蒸留は、一般的な推論タスクにおいて有効であることが証明されている。 しかし、先進的なモデルでさえ、誤った、あるいは表面的な推論をしばしば生み出す科学領域では苦戦している。 この問題を解決するために, 進化的CoT蒸留フレームワークであるCoT-Evoを提案する。
  論文  参考訳（メタデータ） (2025-10-15T05:29:56Z)
• HypoChainer: A Collaborative System Combining LLMs and Knowledge Graphs for Hypothesis-Driven Scientific Discovery [4.020865072189471]
  人間の専門知識、知識グラフ、推論を統合した可視化フレームワークであるPhyChainerを提案する。 hypoChainerは3つの段階で機能する: 第一、探索、文脈化 -- 専門家は検索強化LLM(RAG)と次元縮小を使用する。 第2に、仮説連鎖の形成 -- 専門家は予測と意味論的に関連付けられたエンティティに関するKG関係を反復的に検討する。 第三に、検証の優先順位付け -- 洗練された仮説は、KGが支持する証拠に基づいてフィルタリングされ、実験のための優先度の高い候補を特定する。
  論文  参考訳（メタデータ） (2025-07-23T05:02:54Z)
• MOOSE-Chem2: Exploring LLM Limits in Fine-Grained Scientific Hypothesis Discovery via Hierarchical Search [102.11776494401705]
  大規模言語モデル (LLM) は科学的仮説生成の自動化において有望であることを示している。 既存のアプローチは主に、批判的な方法論や実験的な詳細を欠いた粗粒の仮説を導出する。 我々は、科学的仮説発見の新しいタスクを導入し、正式に定義する。
  論文  参考訳（メタデータ） (2025-05-25T16:13:46Z)
• Toward Reliable Scientific Hypothesis Generation: Evaluating Truthfulness and Hallucination in Large Language Models [18.850296587858946]
  TruthHypoは,真理仮説を生成する上で,大規模言語モデルの能力を評価するためのベンチマークである。 KnowHDは知識に基づく幻覚検出装置で、既存の知識に基づいて仮説がどれだけうまく構築されているかを評価する。
  論文  参考訳（メタデータ） (2025-05-20T16:49:40Z)
• Perplexity Trap: PLM-Based Retrievers Overrate Low Perplexity Documents [64.43980129731587]
  因果診断・矯正法(CDC)という因果推論時間脱バイアス法を提案する。 CDCはまず、パープレキシティのバイアス効果を診断し、その後、全体の関連スコアからバイアス効果を分離する。 3つの領域にまたがる実験結果から, より優れた脱バイアス効果が示された。
  論文  参考訳（メタデータ） (2025-03-11T17:59:00Z)
• MOOSE-Chem: Large Language Models for Rediscovering Unseen Chemistry Scientific Hypotheses [95.25947149100533]
  大規模言語モデル(LLM)が化学において新規で有効な仮説を自律的に生成できるかどうかは不明である。 我々は、2024年1月以降に発行され、オンライン化された51のハイインパクト化学論文のベンチマークを開発し、それぞれが背景、インスピレーション、仮説を手動で注釈付けした。 LLMは、人間によってまだ認識されていない、潜伏した科学的知識の関連をすでにコード化していると仮定する。
  論文  参考訳（メタデータ） (2024-10-09T17:19:58Z)
• Context-Aware Reasoning On Parametric Knowledge for Inferring Causal Variables [49.31233968546582]
  本稿では,部分因果グラフの完成を目的とした新しいベンチマークを提案する。 原因と効果の間のバックドア変数を仮説化するLLMの強い能力を示す。 固定された関連性の単純な記憶とは異なり、我々のタスクはグラフ全体のコンテキストに応じてLCMを推論する必要がある。
  論文  参考訳（メタデータ） (2024-09-04T10:37:44Z)
• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。 帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。 本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。 第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)

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。