論文の概要: Schema-Anchored Latent Reasoning for Semantic Parsing-Based Knowledge Base Question Answering

• arxiv url: http://arxiv.org/abs/2609.20398v1
• Date: Thu, 17 Sep 2026 13:45:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.293622
• Title: Schema-Anchored Latent Reasoning for Semantic Parsing-Based Knowledge Base Question Answering
• Title（参考訳）: セマンティックパーシングに基づく知識ベース質問応答のためのスキーマアンコール潜時推論
• Abstract要約: SALRはモデル隠れ状態における連続的な思考を生成することで多段階推論を行う。 その後、アライメントされたスキーマコードを入力に組み込んで、その後の推論ステップを実行する。 GrailQAとWebQSPの実験は、SALRが強いベースラインよりも一貫した全体的なゲインを達成することを示している。
• 参考スコア（独自算出の注目度）: 45.5918217519569
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic parsing (SP)-based knowledge base question answering aims to answer natural language questions by generating executable logical forms (LFs) over knowledge bases (KBs). When applying Large Language Models (LLMs) to this task, a key challenge over large, heterogeneous KBs is selecting question-related schema elements (i.e., relations and classes) and composing them into complex LFs. Recent LLM-based methods often make early discrete commitments to schema elements during intermediate reasoning, allowing incorrect intermediate schema decisions to propagate and finally result in incorrect LFs. To overcome this limitation, we propose SALR, a schema-anchored latent reasoning method for LF construction. It performs multi-step reasoning by generating continuous thoughts in the model's hidden states, thereby delaying the explicit commitment to LF decisions. To ground this latent reasoning process in the corresponding KB schema, SALR aligns continuous thoughts with a codebook of KB schema elements through an alignment objective supervised by schema traces deterministically derived from gold LFs. It then incorporates the aligned schema codes into inputs for subsequent reasoning steps. This schema-mediated feedback guides LF generation without requiring the model to emit an explicit textual reasoning trajectory. Experiments on GrailQA and WebQSP show that SALR achieves consistent overall gains over strong baselines. Notably, on compositional questions from GrailQA, SALR outperforms TIARA, a strong SP-based baseline, by 2.86 F1 points. Further analyses show that schema-mediated feedback affects LF generation and that schema information is recoverable from the latent states.
• Abstract（参考訳）: 意味解析(SP)に基づく知識ベース質問応答は、知識ベース(KB)上で実行可能な論理形式(LF)を生成することによって、自然言語の質問に答えることを目的としている。 このタスクにLarge Language Models (LLM)を適用する場合、大きな異種KBに対して重要な課題は、質問に関連するスキーマ要素(関係とクラス)を選択し、それらを複雑なLFに構成することである。 近年のLSMベースの手法では、中間推論中にスキーマ要素に早期に離散的なコミットメントを行うことが多く、誤った中間スキーマ決定が伝播し、最終的に誤ったLFが発生する。 この制限を克服するために,LF構築のためのスキーマアンコール潜在推論手法であるSALRを提案する。 モデルの隠れた状態における連続的な思考を生成し、LF決定への明示的なコミットメントを遅らせることで、多段階の推論を実行する。 この潜在的推論プロセスを対応するKBスキーマに基礎付けるため、SALRは、金LFから決定論的に派生したスキーマトレースによって管理されるアライメントの目的を通して、KBスキーマ要素のコードブックと連続的な思考を整列する。 その後、アライメントされたスキーマコードを入力に組み込んで、その後の推論ステップを実行する。 このスキーマによるフィードバックは、モデルを明示的なテキスト推論軌跡を出力することなくLF生成をガイドする。 GrailQAとWebQSPの実験は、SALRが強いベースラインよりも一貫した全体的なゲインを達成することを示している。 特に、GrailQAからの合成質問では、SALRは強いSPベースのベースラインであるTIARAを2.86F1ポイント上回る。 さらに分析したところ、スキーマによるフィードバックはLF生成に影響を与え、スキーマ情報は潜伏状態から回復可能であることが示された。

関連論文リスト

• Stepwise Reasoning Enhancement for LLMs via External Subgraph Generation [10.192419467718475]
  大規模言語モデルは、複雑な多段階推論における論理的一貫性、事実的基盤、解釈可能性に苦慮している。 本稿では,大規模言語モデルと外部知識グラフを統合するフレームワークであるSGRを提案する。 実験によると、SGRは推論精度とHits@1のパフォーマンスを標準プロンプトよりも改善している。
  論文  参考訳（メタデータ） (2026-06-03T04:58:02Z)
• KBQA-R1: Reinforcing Large Language Models for Knowledge Base Question Answering [64.62317305868264]
  テキスト模倣から強化学習によるインタラクション最適化へパラダイムをシフトするフレームワークである textbfKBQA-R1 を提案する。 KBQAを多ターン決定プロセスとして扱うことで,行動のリストを用いて知識ベースをナビゲートすることを学ぶ。 WebQSP、GrailQA、GraphQuestionsの実験では、KBQA-R1が最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-10T17:45:42Z)
• Self-Reflective Planning with Knowledge Graphs: Enhancing LLM Reasoning Reliability for Question Answering [9.601307470705732]
  本稿では,知識グラフと大規模言語モデルを相乗化するフレームワークである自己回帰計画(SRP)を提案する。 計画プロセスにおいて、SRPはまず、ガイドプランニングとリフレクションのための参照を検索する。 推論経路を介してKGから知識を検索した後、検索結果を判断し、回答が正しく検索されるまで推論経路を編集して反復反射を行う。
  論文  参考訳（メタデータ） (2025-05-26T01:59:00Z)
• RAG-Star: Enhancing Deliberative Reasoning with Retrieval Augmented Verification and Refinement [85.08223786819532]
  既存の大規模言語モデル(LLM)は、例外的な問題解決能力を示すが、複雑な推論タスクに苦労する可能性がある。 検索情報を統合した新しいRAG手法である textbfRAG-Star を提案する。 Llama-3.1-8B-Instruct と GPT-4o を併用した実験により,RAG-Star は従来のRAG と推理法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-12-17T13:05:36Z)
• Aggregation of Reasoning: A Hierarchical Framework for Enhancing Answer Selection in Large Language Models [84.15513004135576]
  最近の研究は、複数の推論チェーンをサンプリングし、応答周波数に基づいてアンサンブルすることで、Large Language Models(LLMs)の推論性能を向上させる。 このアプローチは、正しい答えが少数派である場合に失敗する。 階層的推論集約フレームワークAoRを導入し、推論連鎖の評価に基づいて回答を選択する。
  論文  参考訳（メタデータ） (2024-05-21T17:12:19Z)
• An In-Context Schema Understanding Method for Knowledge Base Question Answering [70.87993081445127]
  大きな言語モデル(LLM)は、言語理解において強力な能力を示しており、この課題を解決するために使用することができる。 既存のメソッドは、当初、スキーマ固有の詳細を使わずにLLMを使用してロジックフォームのドラフトを生成することで、この課題を回避している。 そこで本研究では,LLMが文脈内学習を利用してスキーマを直接理解できる簡易なインコンテキスト理解(ICSU)手法を提案する。
  論文  参考訳（メタデータ） (2023-10-22T04:19:17Z)

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。