論文の概要: The Answer Path and the Grounding Instruction in LLM Question Answering over Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2609.10237v1
• Date: Wed, 09 Sep 2026 14:31:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.049644
• Title: The Answer Path and the Grounding Instruction in LLM Question Answering over Knowledge Graphs
• Title（参考訳）: 知識グラフを用いたLLM質問応答における回答経路と接地指導
• Abstract要約: グラフ検索拡張生成パイプラインは、どのトリプルをプロンプトに入力するかを選択する。 4つの選択肢のうち2つは答えを動かし、他の2つはフラットです。 プロンプトに事実がないため、与えられた事実のみを使用してモデルに答えるように指示すると、F1は0.299から0.035に低下する。
• 参考スコア（独自算出の注目度）: 0.8741110159894001
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A graph retrieval-augmented generation pipeline chooses which triples to put in the prompt, a syntax to write them in, an order to write them in, and a sentence telling the model what to do with them. We vary all four over six large language models and two knowledge-graph question answering benchmarks. Two of the four choices move the answer and the other two are flat. The first is whether the answer path, the triples needed to reach the answer, is in the prompt at all. Holding the number of triples fixed and replacing every triple that is not on the chain with material from an unrelated entity changes answer accuracy by +0.003 F1, while removing the chain costs most of what the graph was worth. Retrieval budget belongs on recall, and precision in the range we can test buys nothing. There is no retriever here: subgraphs come from gold SPARQL, so precision describes the context we build, not a system setting. The second is the grounding instruction. With no facts in the prompt, telling a model to answer using only the provided facts drops F1 from 0.299 to 0.035, a factor of 8.63. That figure describes an evaluation with an empty context arm rather than a working pipeline, and an experiment that applies the instruction to its context arm but not to its no-context baseline manufactures a spurious finding that graph context hurts at depth. We found one in our own results and retract it. Syntax, triple order and subgraph size produce no effect we can measure at multi-hop depth. The comparison that would price the grounding instruction against correct context is not measurable with a format-sensitive scorer, because the instruction determines the response format; we report it as an open contrast rather than a number.
• Abstract（参考訳）: グラフ検索拡張生成パイプラインは、どのトリプルをプロンプトに入力するか、それを記述するための構文、書き込みの順序、モデルに何をすべきかを指示する文を選択する。 6つの大きな言語モデルと2つのナレッジグラフ質問応答ベンチマークのそれぞれに違いがあります。 4つの選択肢のうち2つは答えを動かし、他の2つはフラットです。 1つは、答えパス、つまり、答えに到達するのに必要な3つのパスが、全くプロンプトにあるかどうかである。 チェーン上にないすべての三つ組を、関係のない実体の物質で固定し置き換えることによって、解の精度は +0.003 F1 に変化し、一方で、連鎖の除去はグラフの価値のほとんどを犠牲にしている。 検索予算はリコールに属しており、テストできる範囲の正確さは何も買わない。 サブグラフは金のSPARQLから来ているので、精度はシステム設定ではなく、構築したコンテキストを記述します。 2つ目は接地命令である。 プロンプトに事実がないため、与えられた事実のみを使用してモデルに答えるように指示すると、F1は0.299から0.035に低下する。 その図は、作業パイプラインではなく、空のコンテキストアームによる評価を記述し、そのコンテキストアームに命令を適用するが、その非コンテキストベースラインには適用しない実験は、グラフコンテキストが深さで傷つくことを突発的に発見する。 結果の中で1つを見つけ、取り下げました。 シンタクス、三重順序、サブグラフサイズは、マルチホップ深さで測定できる効果を生まない。 正しい文脈に対して接地命令を値付けする比較は、応答形式を決定するため、形式に敏感なスコアラでは測定できない。

関連論文リスト

• GTA: Graph Theory Agent and Benchmark for Algorithmic Graph Reasoning with LLMs [50.68372832207766]
  Graph Theory Bench (GT Bench) は、44のタスク構造設定において24の古典的なグラフ問題をカバーするベンチマークである。 GT Benchは、精度が入力表現と強く結びついていることを示している。 本稿では,選好学習された表現セレクタと計画と分解の足場を組み合わせたグラフ理論エージェント(GTA)を提案する。
  論文  参考訳（メタデータ） (2026-09-10T22:50:10Z)
• Grounded and Faithful P&ID Reasoning: Constraining Vision-Language Models with Recovered Evidence Graphs [0.0]
  Graph-Grounded Harness (Ours)は、画像のみのプロンプトで36.7-41.3%の精度でマッチする。 Digitize-PIDデータセットでは、復元されたグラフは、正確なプロセス接続でF1 0.742、シンボルとタグがプールされると0.801となる。
  論文  参考訳（メタデータ） (2026-09-05T05:02:34Z)
• Selective Forgetting: A Graph-Based Memory Framework for Long-Term LLM Agents [0.0]
  我々のフレームワークは,各会話のターンをタイプノードと属性エッジに抽出する。 2ホップのサブグラフから質問に回答し、リクライド、アクセス頻度、度重心、年齢の重み付けの組み合わせで低いスコアのノードを定期的にプーンする。 抽出器は1つのベンチマークで評価された1つの小さなモデルであるため、これらの結果は一般にグラフ構造化メモリではなく、この抽出に基づくパイプラインを特徴付ける。
  論文  参考訳（メタデータ） (2026-08-29T01:11:10Z)
• ClosureBench: A Constructive Benchmark for Compositional Graph Reasoning [1.827510863075184]
  ClosureBenchはグラフ関係推論のための構築的なベンチマークである。 証明済みの真実だ 1.5Bのオープンウェイトからフロンティアシステムへのモデルの評価を行った。
  論文  参考訳（メタデータ） (2026-08-18T18:36:21Z)
• Query Disambiguation via Answer-Free Context: Doubling Performance on Humanity's Last Exam [6.1512837277903785]
  本研究は,モデルのコンテキストウィンドウにおける背景背景情報の質が精度に与える影響について検討する。 動的コンテキスト構築(RAG)とクエリ書き換えを組み合わせることで、問合せのあいまいさが減少し、精度が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2026-02-27T19:05:25Z)
• Interpretable Question Answering with Knowledge Graphs [0.19695349076827803]
  本稿では,知識グラフ検索のみで動作する質問応答システムを提案する。 知識グラフのクエリから取得したエンティティ関係エッジをパラフレーズ化するために、小さなパラフレーズモデルが使用される。 この研究はCRAGベンチマークでLCM-as-a-judgeを用いて評価され、71.9%と54.4%の精度が得られた。
  論文  参考訳（メタデータ） (2025-10-22T02:36:35Z)
• Multi-Document Financial Question Answering using LLMs [0.5120567378386615]
  複数文書の財務質問応答のための2つの新しい手法を提案する。 まず、セマンティックタグを使用するメソッドで、次にインデックスをクエリしてコンテキストを取得する(RAG_SEM)。 第2に,意味的タグ付けを用いた知識グラフ(KG_RAG)に基づく手法で,グラフデータベースから知識グラフのトリプルをコンテキストとして検索する。
  論文  参考訳（メタデータ） (2024-11-08T21:03:54Z)
• Measuring short-form factuality in large language models [50.15055025275888]
  本稿では,言語モデルが短い事実探索質問に答える能力を評価するベンチマークであるSimpleQAを提案する。 SimpleQAはGPT-4応答に対して逆向きに収集される。 SimpleQAの各回答は、正しいか、間違っているか、試みられていないかのどちらかとしてランク付けされる。
  論文  参考訳（メタデータ） (2024-11-07T01:58:42Z)
• Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
  我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。 提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
  論文  参考訳（メタデータ） (2024-06-14T13:28:03Z)
• PipeNet: Question Answering with Semantic Pruning over Knowledge Graphs [56.5262495514563]
  本稿では,雑音の多い計算ノードに対して,グラウンドング・プルーニング・レゾニング・パイプラインを提案する。 また,グラフアテンションネットワーク(GAT)をベースとしたサブグラフデータに基づくモジュールを提案する。
  論文  参考訳（メタデータ） (2024-01-31T01:37:33Z)
• Open-Set Knowledge-Based Visual Question Answering with Inference Paths [79.55742631375063]
  知識に基づく視覚的質問回答(KB-VQA)の目的は、外部知識ベースの助けを借りて質問に対する正しい回答を提供することである。 KB-VQA, Graph pATH ranker (GATHER for brevity) の新しいレトリバーランカパラダイムを提案する。 具体的には、グラフの構築、プルーニング、パスレベルのランク付けが含まれており、正確な回答を検索するだけでなく、推論パスを提供して推論プロセスを説明する。
  論文  参考訳（メタデータ） (2023-10-12T09:12:50Z)
• Question-Answer Sentence Graph for Joint Modeling Answer Selection [122.29142965960138]
  我々は,質問文,質問文,回答文のペア間のスコアを計算するための最先端(SOTA)モデルを訓練し,統合する。 オンライン推論は、目に見えないクエリのAS2タスクを解決するために実行される。
  論文  参考訳（メタデータ） (2022-02-16T05:59:53Z)

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。