論文の概要: Beyond Linear Context: Graph-Guided Evidence Navigation for Long-Novel Reasoning with a Local 9B Language Model

• arxiv url: http://arxiv.org/abs/2609.22939v1
• Date: Sat, 19 Sep 2026 10:29:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.603575
• Title: Beyond Linear Context: Graph-Guided Evidence Navigation for Long-Novel Reasoning with a Local 9B Language Model
• Title（参考訳）: 線形コンテキストを超えて:局所9B言語モデルによる長値推論のためのグラフガイド付きエビデンスナビゲーション
• Abstract要約: 凍結した知識グラフが同じ自由度を持つ小さな局所モデルを提供できるかどうかをテストする。 30の推理小説と234の質問は、固定されたqwen3.5:9bリーダーによって答えられる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-context models read a novel the way a person reads a printout: one token after another, in narrative order, with the whole history competing for a fixed budget of attention. A detective does not work that way. They sort what happened when, and they keep a map of who relates to whom, so a clue from chapter one can meet a question asked at the end of the book. We test whether a frozen knowledge graph can give a small local model that same freedom. Thirty detective novels and 234 multiple-choice questions are answered by one fixed qwen3.5:9b reader under nine conditions: five graph routes, a recent-window baseline, whole-book compression, ordinary vector retrieval, and a question-only control. The strongest graph route reaches 53.85% (126/234) against 46.15% for the recent window, 51.28% for compression, 51.71% for vector retrieval and 40.17% for question-only. On the subset that no model can answer without the book, the graph route reaches 42.86%. None of the fifteen graph-baseline contrasts survives Holm correction, so we present the result as exploratory evidence about a design. Two structural findings survive scrutiny better than the headline number: annotated evidence concentrates in the topological core of these graphs (2.35x enrichment, pooled), and the two graph-building pipelines differ so much in annotation coverage (16% versus 73% of clue paragraphs) that pooled accuracy alone would hide which bottleneck is being measured.
• Abstract（参考訳）: 長文モデルは、ある人物が印刷物を読むのと同じように小説を読み取る:あるトークンが次々に、物語の順序で、歴史全体が一定の予算の注意を競う。 刑事はそんなふうに働かない。 彼らは何が起こったのかを整理し、誰が誰と関係しているかの地図を残しているので、巻1の手がかりは本末で質問された質問に答えることができる。 凍結した知識グラフが同じ自由度を持つ小さな局所モデルを提供できるかどうかをテストする。 30の探偵小説と234の多重選択質問は、9つの条件の下で1つの固定されたqwen3.5:9bリーダーによって答えられる:5つのグラフルート、最近のウインドウベースライン、本全体の圧縮、通常のベクトル検索、質問専用制御。 最強のグラフルートは53.85% (126/234)で、最近のウィンドウでは46.15%、圧縮では51.28%、ベクトル検索では51.71%、質問のみでは40.17%である。 この本なしではモデルが答えられない部分集合では、グラフルートは42.86%に達する。 15のグラフベースラインのコントラストのうち、ホルム補正は残っていないので、設計に関する探索的証拠として結果を提示する。 注釈付きエビデンスはこれらのグラフのトポロジカルコア(2.35xエンリッチメント、2.35xエンリッチメント)に集中し、2つのグラフ構築パイプラインはアノテーションカバレッジ(16%対73%)において非常に大きく異なり、プールされた精度だけでどのボトルネックが測定されているかを隠蔽する。

関連論文リスト

• When Graph-JEPA Learns the Wrong Thing: Diagnosing and Repairing Category-Conditional Collapse [3.0255780640228984]
  共同埋め込み予測アーキテクチャは線形探索と有効ランクによってほぼ普遍的に選択される。 本報告では,表現中に使用可能なインスタンス情報がゼロである場合に,両者が正常に読まれる事例を報告する。 Graph-JEPAは、サブグラフの残りの側面から1つのマスクされたアスペクトを予測し、線形プローブ精度0.871と有効ランク18-47を達成する。 再現性監査とターゲットゲートを備えたハーネスをリリースする。
  論文  参考訳（メタデータ） (2026-08-20T19:22:49Z)
• Gathered, Not Admitted: How Attention Brings a Latent Variable into Verbalizable Form [0.03038255798961237]
  ヤコビアンレンズを使ったオープンウェイトモデルでテストしたところ、5つの腕が同じコンテキストを共有しているベンチマークでは、それを予測するゲートは見つからなかった。 クエリされた位置で後で読みやすい形式を生成するのは、奥行きの窓の中で注意を介する集まりである。
  論文  参考訳（メタデータ） (2026-08-15T04:12:24Z)
• Length Penalties Make Chain-of-Thought Less Monitorable [0.0]
  長いペナルティのトレーニングは、ステアリングモデルのヒントを誤解させるのを止めない。 ターゲット鎖長の異なるQwen3-4BとQwen3-14Bを訓練する。 MMLU-Pro-Rと4つの転送ベンチマークのバイアスヒント介入による評価を行った。
  論文  参考訳（メタデータ） (2026-07-08T14:18:26Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Grale: Designing Networks for Graph Learning [68.23038997141381]
  我々は,数十億のノードを持つグラフのグラフ設計問題に対処するために,スケーラブルなGraleを提案する。 グレールは、(潜在的に弱い)類似性の異なる測度を融合して、そのノード間の高いタスク固有のホモフィリーを示すグラフを作成する。 Googleでは、数千億のノードを持つデータセットや、数十兆の潜在的なエッジを含む、20以上の異なる産業環境にGraleをデプロイしています。
  論文  参考訳（メタデータ） (2020-07-23T13:25:36Z)
• A Survey of Adversarial Learning on Graphs [59.21341359399431]
  本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。 具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。 我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
  論文  参考訳（メタデータ） (2020-03-10T12:48:00Z)

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。