論文の概要: WFM: Wiki Foundation Model for Complex Agentic Reasoning

• arxiv url: http://arxiv.org/abs/2609.18182v1
• Date: Wed, 16 Sep 2026 06:13:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.666739
• Title: WFM: Wiki Foundation Model for Complex Agentic Reasoning
• Title（参考訳）: WFM:Wiki Foundation Model for Complex Agentic Reasoning
• Abstract要約: 実世界のエージェントは、動的推論のために永続的な非パラメトリック知識を必要とする。 伝統的なスパースグラフは複雑なエージェントセマンティクスに必要な機械の可読性と密度を制限する。 我々は、スケーラブルでエージェントネイティブな表現と検索に適した新しいパラダイムWiki Foundation Model(WFM)を提案する。
• 参考スコア（独自算出の注目度）: 27.17564327996193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world agents fundamentally require persistent non-parametric knowledge for dynamic reasoning, i.e., long-term memory and retrieval-augmented generation. While graphs have shown reliable advantages in providing structured evidence, the sparse graph representations naturally restrict machine readability and semantic density required for complex agentic workflows. Driven by this limitation, the entire industry is witnessing a paradigm shift from traditional sparse graphs to LLM Wiki, an agent-native knowledge representation that couples dense document contexts with markdown files containing multi-layered topological linkages. However, parameterizing such rich semantics is challenging to encode dense textual contexts using traditional sparse graph embeddings. Moreover, learning LLM Wiki with existing graph encoders could overwhelm distributed system overheads that hinder deployment in large-scale commercial scenarios. To this end, we propose a novel paradigm Wiki Foundation Model, i.e., WFM, tailored for scalable, agent-native representation and retrieval. Specifically, (i) we formalize a Wiki Graph schema that seamlessly bridges fine-grained structures with dense contexts, maintaining explicit topologies alongside continuous semantics; (ii) A query-conditioned attentive aggregation is tailored for rich wiki message passing and explicit attention variance regularization; (iii) We engineer an infrastructural NCCL boundary exchange protocol that hoists static partition indices and leverages fixed-shape GPU-to-GPU collectives, bypassing CPU serialization and memory copy overheads. Extensive evaluations across five long-term agent memory and multi-hop reasoning benchmarks demonstrate the remarkable performance of WFM, while achieving a 10.5 times training acceleration on distributed clusters.
• Abstract（参考訳）: 実世界のエージェントは、動的推論、すなわち長期記憶と検索拡張生成に永続的な非パラメトリック知識を必要とする。 グラフは構造化された証拠を提供することで信頼性の高い利点を示してきたが、スパースグラフ表現は機械の可読性と複雑なエージェントワークフローに必要な意味密度を自然に制限している。 この制限によって、業界全体が伝統的なスパースグラフから、多層トポロジ的リンクを含むマークダウンファイルと密集したドキュメントコンテキストを結合するエージェントネイティブな知識表現であるLLM Wikiへのパラダイムシフトを目撃している。 しかし、そのようなリッチなセマンティクスのパラメータ化は、従来のスパースグラフ埋め込みを用いて、密集したテキストコンテキストを符号化することが困難である。 さらに、LLM Wikiを既存のグラフエンコーダで学習することで、分散システムのオーバーヘッドを克服し、大規模な商用シナリオでのデプロイメントを妨げる可能性がある。 そこで我々は,スケーラブルでエージェントネイティブな表現と検索に適した新しいパラダイムWiki Foundation Model,すなわちWFMを提案する。 具体的には (i) 連続的な意味論とともに明示的なトポロジを維持しつつ、密集したコンテキストできめ細かな構造をシームレスにブリッジするウィキグラフスキーマを形式化する。 (ii)クエリ条件付注意集約は、リッチwikiメッセージパッシングと明示的な注意分散正規化のために調整される。 3)CPUシリアライゼーションとメモリコピーのオーバーヘッドを回避し,静的パーティションインデックスを保ち,固定形状のGPU-GPU集合を活用可能な構造的NCCL境界交換プロトコルを設計する。 5つの長期エージェントメモリとマルチホップ推論ベンチマークにわたる広範囲な評価は、分散クラスタ上で10.5倍のトレーニングアクセラレーションを達成する一方で、WFMの顕著な性能を示している。

関連論文リスト

• Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
  ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。 ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-09-04T23:32:11Z)
• Hypergraph-based Multimodal Retrieval-Augmented Generation with Incremental Refinement [19.099989510112604]
  Hyper-M2RAGは,高次ハイパー表現学習によるマルチモーダル文書検索を再定義する新しいフレームワークである。 物理的冗長性に起因する意味的断片化を軽減するために,アンカー駆動インクリメンタルリファインメント機構を導入する。 このメカニズムは境界交差型アンカーノードを特定し、ワンホップ近傍コンテキストを用いて局所的ハイパートポロジーを再構築する。
  論文  参考訳（メタデータ） (2026-08-17T14:30:09Z)
• FedLAB: Traceable Semantic Codebooks for Federated Multimodal Graph Foundation Learning [47.940785803361415]
  FedLABはトレース可能なセマンティックコードブックフレームワークで、マルチモーダルグラフの知識をモダリティエビデンス、ノードセマンティクス、トポロジーコンテキストのための型付きコードブックに整理する。 実験によると、FedLABは、ネイティブなセマンティックトレースインターフェースを保持しながら、最先端のベースラインを7.53%改善している。
  論文  参考訳（メタデータ） (2026-06-30T17:47:39Z)
• VimRAG: Navigating Massive Visual Context in Retrieval-Augmented Generation via Multimodal Memory Graph [42.348770377488094]
  VimRAGは、テキスト、画像、ビデオにまたがるマルチモーダル検索拡張推論に適したフレームワークである。 軌道レベルの報酬から段階的妥当性を分離するグラフガイド型ポリシー最適化手法を提案する。 実験により、VimRAGは様々なマルチモーダルRAGベンチマークにおける最先端のパフォーマンスを一貫して達成していることが示された。
  論文  参考訳（メタデータ） (2026-02-13T09:05:09Z)
• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• 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)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)

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。