論文の概要: GRACE: Graph-Grounded Reflective Agent Copilot Engine for Expert-in-the-Loop Knowledge Expansion

• arxiv url: http://arxiv.org/abs/2609.04442v1
• Date: Thu, 03 Sep 2026 20:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.810352
• Title: GRACE: Graph-Grounded Reflective Agent Copilot Engine for Expert-in-the-Loop Knowledge Expansion
• Title（参考訳）: GRACE: エキスパート・イン・ザ・ループ知識拡張のためのグラフグラウンド反射エージェントコパイロットエンジン
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.729876880765472
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models deployed in high-stakes settings frequently generate plausible but ungrounded claims. Standard retrieval-augmented generation (RAG) pipelines offer limited remedy, since they retrieve isolated passages without tracking cross-document evidence relationships or quantifying uncertainty. We introduce GRACE (Graph-grounded Reflective Agent Copilot Engine), a framework that deconstructs LLM responses into atomic claims and grounds them against trusted knowledge priors within a weighted bipartite graph. Edge weights encode the closeness of each claim to the priors, enabling weighted centrality analysis that classifies claims as Grounded, Refuted, or Boundary. Such classification identifies not just hallucinations but also novel or contested claims at the frontier of the model's knowledge. To efficiently allocate human or agent resources, we formulate a Return on Attention (RoA) objective that defers a claim to expert review only when its priority-weighted uncertainty exceeds the cost of verification. Claims verified by experts are promoted to new evidence anchors, closing a validator-LLM evolutionary loop that expands the knowledge base across iterations. We evaluate GRACE across multiple language models and on datasets spanning both general and domain-specific knowledge. Our results show that our knowledge base serves as a reliable foundation for retrieval that outperforms RAG baselines, and that the RoA framework efficiently selects valuable boundary knowledge for expert verification. These findings demonstrate that graph-structured representations combined with expert-in-the-loop verification can mitigate hallucination at the system level rather than at the generation level. Code available at https://github.com/johnsk95/grace_code
• Abstract（参考訳）: 大規模な言語モデルがハイテイクな設定でデプロイされると、しばしばプラウシブルだが根拠のないクレームが生成される。 標準的な検索拡張世代(RAG)パイプラインは、文書間の証拠関係を追跡したり不確実性を定量化したりすることなく、孤立した通路を回収するため、限られた治療を提供する。 GRACE(Graph-grounded Reflective Agent Copilot Engine)は,LLM応答をアトミックなクレームに分解し,重み付き二部グラフ内の信頼された知識に対する基盤となるフレームワークである。 エッジウェイトは、各クレームのクローズネスを前者のクレームにエンコードし、クレームをグラウンドド、リファント、バウンダリーに分類する重み付き中央性分析を可能にする。 このような分類は、幻覚だけでなく、モデルの知識のフロンティアにおける新しい主張や議論された主張も識別する。 人やエージェントの資源を効率的に割り当てるために、優先的に重み付けされた不確実性が検証コストを超える場合に限って専門家レビューの請求を拒否するRoA(Return on Attention)目標を定式化する。 専門家によって検証された主張は、新たなエビデンスアンカーに昇格し、繰り返しにわたって知識ベースを拡張するバリデータ-LLM進化ループを閉じる。 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。 我々の知識基盤はRAGベースラインを上回る信頼性の高い検索基盤として機能し、RoAフレームワークは専門家の検証に有用な境界知識を効率的に選択できることを示す。 これらの結果から,グラフ構造化表現とループ内のエキスパート検証を組み合わせることで,生成レベルではなくシステムレベルでの幻覚を緩和できることが示唆された。 https://github.com/johnsk95/grace_codeで利用可能なコード

関連論文リスト

• SAGE: From Direct Answering to Evidence-Grounded Inference for Chinese Ancient Document Understanding [61.02068339726333]
  中国古文書理解のためのエビデンスを基盤としたマルチエージェントフレームワークであるSAGEを提案する。 SAGEは、タスク対応計画、ツールによるエビデンス獲得、クレームレベルの検証、バウンドリプランニングのための特殊エージェントを調整する。 AncientDocベンチマークの実験によると、SAGEは直接答えベースラインと一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-25T03:01:51Z)
• MoG: Mixture of Experts for Graph-based Retrieval-Augmented Generation [28.549860825415703]
  我々はtextbfGraph を用いたRetrieval-Augmented Generation のための textbfMixture textbfof の専門家を提案する。 i) 意味的および構造的に中心的な知識をエンコードする多様で常にアクセス可能なハブグラフと、(ii) ドメイン固有の証拠を含む疎活性化された専門家グラフである。
  論文  参考訳（メタデータ） (2026-05-29T08:43:12Z)
• DeepRefine: Agent-Compiled Knowledge Refinement via Reinforcement Learning [60.35032268606525]
  エージェントコンパイルされた知識ベースは、下流タスクにおいて、大きな言語モデル(LLM)エージェントに対して永続的な外部知識を提供する。 しかし、その品質は、不完全性、不完全性、浮揚性によって体系的に制限される
  論文  参考訳（メタデータ） (2026-05-11T12:48:31Z)
• AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
  大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。 AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。 これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
  論文  参考訳（メタデータ） (2026-03-21T04:12:04Z)
• ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
  ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2025-11-27T19:01:02Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• 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)
• Towards Open-World Retrieval-Augmented Generation on Knowledge Graph: A Multi-Agent Collaboration Framework [21.896955284099334]
  大きな言語モデル(LLM)は、言語理解と推論において強力な能力を示している。 Retrieval-Augmented Generation (RAG)は、外部知識ソースを組み込むことによって、この制限に対処する。 AnchorRAGは,オープンワールドRAGのための,事前定義されたアンカーエンティティを持たない新しいマルチエージェント協調フレームワークである。
  論文  参考訳（メタデータ） (2025-09-01T08:26:12Z)
• 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)
• Deliberation on Priors: Trustworthy Reasoning of Large Language Models on Knowledge Graphs [42.89017474189868]
  我々は、優先事項に関する審議(DP)と呼ばれる信頼できる推論フレームワークを提案する。 DPは、教師付き微調整とKahneman-Tversky最適化を組み合わせることで、構造的事前をLLM(Large Language Models)に統合する。 本フレームワークでは,LLMに対して,抽出した制約前処理に基づいて精巧な推論検証を行うための推論イントロスペクション戦略を採用している。
  論文  参考訳（メタデータ） (2025-05-21T07:38:45Z)

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。