論文の概要: Theseus in the Graph: Towards Traceable Multi-Hop Graph Navigation
- arxiv url: http://arxiv.org/abs/2609.14528v1
- Date: Sun, 13 Sep 2026 14:06:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.834612
- Title: Theseus in the Graph: Towards Traceable Multi-Hop Graph Navigation
- Title（参考訳）: グラフのシーセウス:トレース可能なマルチホップグラフナビゲーションを目指して
- Abstract要約: マルチホップ知識グラフ質問 回答タスクは、自然言語の質問に答えるために、KG内の経路に沿って関係証拠を組み立てるモデルを必要とする。
質問条件付きグラフナビゲーション問題としてマルチホップKGQAを再設定する。
この設定では、エージェントは、KG、質問、トピックエンティティを受信し、回答に対する一連の関係をトラバースし、推論経路を明示する。
- 参考スコア（独自算出の注目度）: 11.103813686369685
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-Hop Knowledge Graph Question Answering (KGQA) tasks require models to assemble relational evidence along paths in a KG to answer natural-language questions. However, existing KGQA systems typically focus on predicting the final answer without explicitly modeling or validating the intermediate reasoning steps, obscuring whether the correct answers arise from faithful multi-hop reasoning. To address this limitation, we re-frame multi-hop KGQA as a question-conditioned graph navigation problem. We refer to this formulation as THESEUS - Traceable Hop-wise Evidence SEarch in a Unified Semantics. In this setting, an agent receives a KG, a question, and a topic entity, and traverses a sequence of relations towards the answer, making the reasoning path explicit. To systematically study this formulation, we provide three key contributions. (i) We augment the existing KINSHIP and MQuAKE resources into navigation-ready KGQA datasets with annotated evidence paths and paraphrased questions. (ii) We design evaluation protocols to measure path fidelity, robustness to linguistic variation, and performance across multi-hop and multi-answer questions. (iii) We adapt established path-based KG completion agents - MINERVA, MultiHopKG, and SQUIRE - to operate on full question embeddings rather than symbolic single-relation queries, enabling their trajectories to be guided by natural-language semantics. Together, these contributions advance KGQA research toward systems where traceability is fundamental: answers are accompanied by explicit reasoning paths whose agreement with reference evidence can be systematically evaluated.
- Abstract（参考訳）: マルチホップ知識グラフ質問回答(KGQA)タスクは、自然言語質問に答えるために、KG内の経路に沿って関係証拠を組み立てるモデルを必要とする。
しかしながら、既存のKGQAシステムは通常、中間的推論ステップを明示的にモデル化したり検証したりすることなく最終回答を予測することに集中し、正しい答えが忠実なマルチホップ推論から生じるかどうかを無視する。
この制限に対処するため、質問条件付きグラフナビゲーション問題としてマルチホップKGQAを再設定する。
我々はこの定式化を、統一意味論におけるTheSEUS - Traceable Hop-wise Evidence SEarch in a Unified Semanticsと呼ぶ。
この設定では、エージェントは、KG、質問、トピックエンティティを受信し、回答に対する一連の関係をトラバースし、推論経路を明示する。
この定式化を体系的に研究するためには、3つの重要な貢献がある。
i)既存のKINSHIPおよびMQuAKEリソースをナビゲーション可能なKGQAデータセットに拡張し,注釈付きエビデンスパスとパラフレーズ付き質問を行った。
2) 経路の忠実度, 言語変化に対する頑健性, マルチホップおよび複数問合せ質問に対する性能を評価するための評価プロトコルを設計する。
三 確立された経路ベースのKG補完エージェント(MINERVA、MultiHopKG、SQUIRE)を、シンボリックな単一関係クエリではなく、完全な質問埋め込みで動作させ、それらの軌道を自然言語のセマンティクスでガイドできるようにする。
これらの貢献は、トレーサビリティが基本となるシステムに対するKGQA研究を前進させ、回答には、参照証拠との合意を体系的に評価できる明確な推論経路が伴う。
関連論文リスト
- PathISE: Learning Informative Path Supervision for Knowledge Graph Question Answering [35.58843209572786]
回答レベルラベルから高品質な中間監視を学習するための新しいフレームワークPathISEを提案する。
3つのKGQAベンチマークの大規模な実験は、PathISEが競争力または最先端のKGQA性能を達成することを示している。
論文 参考訳（メタデータ） (2026-05-11T16:21:47Z) - Question-Aware Knowledge Graph Prompting for Enhancing Large Language Models [51.47994645529258]
本稿では,問合せをGNNアグリゲーションに組み込んでKG関連性を動的に評価するQAP(QA-Aware Knowledge Graph Prompting)を提案する。
実験の結果、QAPは複数のデータセットで最先端の手法よりも優れており、その有効性を強調している。
論文 参考訳（メタデータ） (2025-03-30T17:09:11Z) - Learning Federated Neural Graph Databases for Answering Complex Queries from Distributed Knowledge Graphs [53.03085605769093]
我々は、マルチソースグラフデータに対するプライバシ保護推論を促進する先駆的な体系的フレームワークであるFederated Neural Graph DataBase(FedNGDB)を学習することを提案する。
FedNGDBは、フェデレートされた学習を活用して、複数のソースにわたるグラフ表現を協調的に学習し、エンティティ間の関係を強化し、グラフデータの全体的な品質を改善する。
論文 参考訳（メタデータ） (2024-02-22T14:57:44Z) - Logical Message Passing Networks with One-hop Inference on Atomic
Formulas [57.47174363091452]
本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。
クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。
我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
論文 参考訳（メタデータ） (2023-01-21T02:34:06Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳（メタデータ） (2022-12-02T04:08:09Z) - Exploiting Hybrid Semantics of Relation Paths for Multi-hop Question
Answering Over Knowledge Graphs [31.088325888508137]
本稿では、関係経路のハイブリッドセマンティクスを利用してマルチホップKGQAを改善することを提案する。
関係経路の明示的なテキスト情報と暗黙的なKG構造を,新規な回転・スケールのエンティティリンク予測フレームワークに基づいて統合する。
論文 参考訳（メタデータ） (2022-09-02T08:07:37Z) - Path-Enhanced Multi-Relational Question Answering with Knowledge Graph
Embeddings [16.21156041758793]
PKEEQA(Path and Knowledge Embedding-Enhanced Multi-Relational Question Answering Model)を提案する。
PKEEQAは多関係質問に対するKBQAモデルの性能を、経路からある程度派生した説明可能性で改善することを示す。
論文 参考訳（メタデータ） (2021-10-29T08:37:46Z) - Improving Embedded Knowledge Graph Multi-hop Question Answering by
introducing Relational Chain Reasoning [8.05076085499457]
知識ベース質問回答(KBQA)は、トピックエンティティと回答の間の推論を識別することで、知識ベース(KB)からのユーザ要求に答える。
KBQA の複素分岐タスクとして、マルチホップ KGQA は構造化された KG に保存された多重ホップ関係鎖の推論を必要とする。
論文 参考訳（メタデータ） (2021-10-25T06:53:02Z) - Improving Unsupervised Question Answering via Summarization-Informed
Question Generation [47.96911338198302]
質問生成 (QG) とは, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文, 質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、質問文、
我々は、自由なニュース要約データを使用し、宣言文を依存性解析、名前付きエンティティ認識、セマンティックロールラベリングを用いて適切な質問に変換する。
得られた質問は、元のニュース記事と組み合わせて、エンドツーエンドのニューラルQGモデルをトレーニングする。
論文 参考訳（メタデータ） (2021-09-16T13:08:43Z) - Dynamic Semantic Graph Construction and Reasoning for Explainable
Multi-hop Science Question Answering [50.546622625151926]
マルチホップQAのための説明可能性を得ながら,より有効な事実を活用できる新しいフレームワークを提案する。
a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(c) グラフ畳み込みネットワーク(GCN)を利用した事実レベルの関係モデリング,(c) 推論過程の導出を行う。
論文 参考訳（メタデータ） (2021-05-25T09:14:55Z) - QA-GNN: Reasoning with Language Models and Knowledge Graphs for Question
Answering [122.84513233992422]
学習済み言語モデル(LM)と知識グラフ(KG)の知識を用いて質問に答える問題に対処する新しいモデルであるQA-GNNを提案する。
既存のLMとLM+KGモデルに対する改善と、解釈可能で構造化された推論を行う能力を示しています。
論文 参考訳（メタデータ） (2021-04-13T17:32:51Z)
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。