論文の概要: VISPATH: Visual-Intent-Guided Path Reasoning for Multimodal Knowledge Graph Question Answering

• arxiv url: http://arxiv.org/abs/2609.20843v1
• Date: Tue, 04 Aug 2026 08:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.683915
• Title: VISPATH: Visual-Intent-Guided Path Reasoning for Multimodal Knowledge Graph Question Answering
• Title（参考訳）: VISPATH:マルチモーダル知識グラフ質問応答のためのビジュアルインテントガイドパス推論
• Abstract要約: MM-KGQAのための視覚誘導経路推論フレームワークであるVISPATHを提案する。 VISPATHはまず、マルチモーダルグラウンドとグラフ構造的キューを組み合わせることによって、信頼性の高い開始エンティティを識別する。 次に、入力、質問、現在の部分経路からホップ固有のマルチモーダルインテントを再計算することで、インテント誘導経路探索を行う。
• 参考スコア（独自算出の注目度）: 10.501275964597632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph question answering (KGQA) enables models to answer natural-language questions through structured graph reasoning and has achieved substantial progress across many benchmarks and applications. Recently, multimodal KGQA (MM-KGQA) has attracted increasing attention because many questions require jointly using multimodal inputs and KG evidence. However, existing MM-KGQA methods typically use multimodal information only for starting entity grounding or evidence retrieval, after which multi-hop reasoning degenerates into text-only graph search. As a result, they cannot exploit multimodal cues that become important at intermediate hops. To address this limitation, we propose VISPATH, a visual-intent-guided path reasoning framework for MM-KGQA. VISPATH first identifies a reliable starting entity by combining multimodal grounding with graph-structural cues. It then performs intent-guided path discovery by recomputing hop-specific multimodal intent from the input, question, and current partial paths, so that each expansion is guided by the current reasoning state. The discovered paths are further refined through reasoning-chain pruning, which evaluates candidate paths as complete evidence chains based on their consistency with the question, reasoning sketch, and hop-specific intent. Finally, VISPATH checks whether the selected evidence is sufficient for answer generation. We further construct VISPATH-Bench, a benchmark for evaluating multimodal multi-hop reasoning over KGs, covering questions that require two to four hops over KG paths. Extensive experiments on VISPATH-Bench and three additional multimodal QA benchmarks show that VISPATH consistently outperforms strong baselines. Notably, with GPT-4o as the backbone, VISPATH surpasses GPT-5.4 on VISPATH-Bench, achieving a 10.6% relative improvement in average accuracy and a 13.1% improvement at 2-hop reasoning.
• Abstract（参考訳）: 知識グラフ質問応答(KGQA)は、構造化グラフ推論を通じて自然言語の質問に答えることを可能にし、多くのベンチマークやアプリケーションでかなりの進歩を遂げた。 近年,Multimodal KGQA (MM-KGQA) が注目されている。 しかし、既存のMM-KGQA手法は、通常、エンティティのグラウンドディングやエビデンス検索の開始にのみマルチモーダル情報を使用し、その後、マルチホップ推論はテキストのみのグラフサーチに縮退する。 結果として、中間ホップにおいて重要となるマルチモーダルキューを利用することはできない。 この制限に対処するため,MM-KGQAのための視覚的誘導経路推論フレームワークであるVISPATHを提案する。 VISPATHはまず、マルチモーダルグラウンドとグラフ構造的キューを組み合わせることによって、信頼性の高い開始エンティティを識別する。 次に、入力、質問、および現在の部分経路からホップ固有のマルチモーダルインテントを再計算することで、インテント誘導経路探索を行い、各拡張が現在の推論状態によってガイドされるようにする。 発見された経路は、推論チェーンのプルーニングによってさらに洗練され、質問、推論スケッチ、ホップ固有の意図との整合性に基づいて、候補パスを完全なエビデンスチェーンとして評価する。 最後に、VISPATHは、選択された証拠が回答生成に十分かどうかをチェックする。 さらに、KGに対するマルチモーダルマルチホップ推論を評価するためのベンチマークであるVISPATH-Benchを構築し、KGパス上で2～4ホップを必要とする問題をカバーする。 VISPATH-Benchと追加の3つのマルチモーダルQAベンチマークの大規模な実験は、VISPATHが一貫して強いベースラインを上回っていることを示している。 特に、GPT-4o をバックボーンとして、VISPATH は VISPATH-Bench で GPT-5.4 を超え、平均精度が 10.6% 向上し、2-ホップ推論で 13.1% 向上した。

関連論文リスト

• Theseus in the Graph: Towards Traceable Multi-Hop Graph Navigation [11.103813686369685]
  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。
  論文  参考訳（メタデータ） (2026-09-13T14:06:43Z)
• Hierarchical Evidence-Driven Reasoning for Long Document Understanding [95.51688464037096]
  閉領域文書理解のための階層的・エビデンス駆動型マルチモーダルRAGフレームワークであるHIEVI-RAGを紹介する。 我々のフレームワークは、既存のオープンソースベースラインを著しく上回り、最強の報告ベースラインを平均8.05%の精度で上回ります。
  論文  参考訳（メタデータ） (2026-07-06T03:08:28Z)
• MultAttnAttrib: Training-Free Multimodal Attribution in Long Document Question Answering [73.47440561592556]
  トレーニング不要な属性生成手法であるMultAttnAttribを紹介する。 MultAttnAttribは、様々な属性生成方法よりも一貫して優れていることを示す。 提案手法は直接推論遅延の最大7分の1の属性を生成する。
  論文  参考訳（メタデータ） (2026-07-01T19:29:19Z)
• MC-Search: Evaluating and Enhancing Multimodal Agentic Search with Structured Long Reasoning Chains [79.14584837105808]
  MC-Searchは5つの代表的推論構造にまたがる長いステップワイドなアノテート推論チェーンを持つエージェントMM-RAGの最初のベンチマークである。 回答精度以外にも、MC-Searchは、品質、段階的検索、計画精度を推論するための新しいプロセスレベルメトリクスを導入している。 エージェントMM-RAGパイプラインを統一的に開発することにより、6つのMLLMをベンチマークし、過剰検索や過度検索、モダリティミスアライメント計画などの体系的な問題を明らかにする。
  論文  参考訳（メタデータ） (2026-03-01T02:25:57Z)
• Hybrid-DMKG: A Hybrid Reasoning Framework over Dynamic Multimodal Knowledge Graphs for Multimodal Multihop QA with Knowledge Editing [34.09206338638645]
  知識編集を伴うマルチモーダルマルチホップ質問に対する最初のベンチマークであるMMQAKEを紹介する。 MMQAKEは、テキストとイメージの両方にまたがる2-5ホップのファクトチェーンを推論するモデルの能力を評価する。 動的マルチモーダル知識グラフ上に構築されたハイブリッド推論フレームワークであるHybrid-DMKGを提案する。
  論文  参考訳（メタデータ） (2025-11-30T12:58:15Z)
• iQUEST: An Iterative Question-Guided Framework for Knowledge Base Question Answering [9.329800077564673]
  iQUESTは、複雑なクエリを単純なサブクエリに繰り返し分解する質問誘導KBQAフレームワークである。 グラフニューラルネットワーク(GNN)を統合して、各推論ステップに2ホップ隣の情報を組み込む。
  論文  参考訳（メタデータ） (2025-06-02T15:30:02Z)
• 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)
• QA4QG: Using Question Answering to Constrain Multi-Hop Question Generation [54.136509061542775]
  マルチホップ質問生成(MQG)は、入力パスの複数の情報に対する推論を必要とする複雑な質問を生成することを目的としている。 MQGのためのQA強化BARTベースのフレームワークであるQA4QGを提案する。 HotpotQAデータセットの結果は、QA4QGがすべての最先端モデルより優れていることを示している。
  論文  参考訳（メタデータ） (2022-02-14T08:16:47Z)

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。