論文の概要: Meet, Compare, or Abstain: LatWeave for Deterministic Multi-Hop Question Answering on Knowledge Lattices

• arxiv url: http://arxiv.org/abs/2609.27225v1
• Date: Wed, 23 Sep 2026 01:45:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.823067
• Title: Meet, Compare, or Abstain: LatWeave for Deterministic Multi-Hop Question Answering on Knowledge Lattices
• Title（参考訳）: Meet, Compare, or Abstain: LatWeave for Deterministic Multi-Hop Question Answering on Knowledge Lattices
• Abstract要約: 本稿では,知識を多次元知識格子に整理し,マルチホップQAを3つの決定論的演算子にコンパイルするLatWeaveを提案する。 このパラダイムの動作エンベロープを6つの公開ベンチマークで特徴づける。
• 参考スコア（独自算出の注目度）: 8.15860329130589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic question-answering systems -- whether large language models (LLMs) themselves, retrieval-augmented generation (RAG), or trained multi-hop retrievers -- conflate "what is known" and "how to reason" into a single probabilistic computation: hallucination cannot be eradicated, evidence chains cannot be audited, and the system answers even when it does not know. We present LatWeave, which organizes knowledge into a multidimensional knowledge lattice and compiles multi-hop QA into three deterministic operators -- meet (constraint intersection), compare (lattice-order comparison), and abstain (structural abstention); LLMs appear only on the construction side (one-shot extraction) and the query-planning side, while the answer-generation path is zero-LLM, zero-task-training, and auditable end to end -- so that question answering over Web-published knowledge becomes reproducible item by item. Rather than claiming across-the-board SOTA, we characterize the operating envelope of this paradigm on six public benchmarks: when knowledge is complete (MetaQA, 39,093 questions) meet chains are near-lossless over three hops (any-hit 0.9975, on par with fully supervised KBQA); on templated multi-hop home ground (2WikiMultihopQA held-out n=1,258) EM 0.865, well above published structure-augmented RAG reproductions; on open-text deep composition (MuSiQue) and extraction-coverage gaps (HotpotQA) we report degradation honestly and attribute it to causes outside the lattice-algebra layer; and when information is incomplete (IIRC) we achieve structural abstention with abstain accuracy 0.971 and leak rate 0.029. Within the operating envelope, deterministic execution pays no performance penalty, and every step on the answer path can be recomputed -- precisely the source of end-to-end auditability.
• Abstract（参考訳）: 大きな言語モデル(LLM)自体、検索強化世代(RAG)、訓練されたマルチホップ検索システム(RAG)が、単一の確率論的計算に"既知の"と"推論する方法"を記述している。 本稿では,多次元の知識格子に知識を整理し,マルチホップQAを3つの決定論的演算子にコンパイルするLatWeaveについて紹介する。 知識が完成したとき(MetaQA, 39,093 質問)は3つのホップ(全教師付きKBQAと同等にそれぞれ0.9975)を超越し、テンプレート付きマルチホップホームグラウンド(2WikiMultihopQA hold-out n=1,258) EM 0.865は、公表された構造拡張されたRAG再生のかなり上、オープンテキストディープコンポジション(MuSiQue)と抽出-カバレッジギャップ(HotpotQA)では、真に劣化し、格子代数の外側に生じる特性を報告します。 動作封筒内では、決定論的実行はパフォーマンス上のペナルティを払わず、答えパスのすべてのステップを再計算することができます。

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)
• Operational Proto-Introspection in Looped Language Models: Process-Quality Taps, Executable Branching, and the Readout-Control Boundary [0.0]
  言語モデルは、進行中の計算の質を読み取ることができるか? 外部介入は、その読み出しをより良い結果に変えることができるか? 凍結した2.6Bループ変換器,Ouro-RLTTで両質問を検証した。
  論文  参考訳（メタデータ） (2026-07-20T22:40:36Z)
• Helicase: Uncertainty-Guided Supply Chain Knowledge Graph Construction with Autonomous Multi-Agent LLMs [48.08345972608737]
  textitHelicaseは、不確実性誘導サプライチェーン知識グラフ構築のための自律型マルチエージェントシステムである。 高レベルのサプライチェーンクエリを実行可能な調査計画に分解し、特別なWeb検索、推論、コーディングエージェントをコーディネートする。 その3層不確実性フレームワークは、動作、軌道、記憶層の不確実性を追跡し、構造的推論とキャリブレーションされた信頼性評価の両方を可能にする。
  論文  参考訳（メタデータ） (2026-05-26T10:53:00Z)
• Efficient Multi-Hop Question Answering over Knowledge Graphs via LLM Planning and Embedding-Guided Search [2.744879848686032]
  知識グラフに答えるマルチホップ問題はまだ計算が難しい。 最近のアプローチでは、エンティティリンクとパスランキングの両方において、高価なLarge Language Model (LLM) の推論に依存している。 効率性と妥当性の両方に対処する2つの相補的ハイブリッドアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-11-24T19:27:56Z)
• A Fano-Style Accuracy Upper Bound for LLM Single-Pass Reasoning in Multi-Hop QA [65.38186593873313]
  MHQA(Multi-Hop Question Answering)は、ノイズ下でのシーケンシャルな推論を通じて、分散した相互依存的な証拠を統合する必要がある。 我々はMHQAのための概念実証マルチコールフレームワークをInfoQAで紹介する。 我々は、理論とフレームワークを検証するために、厳密で騒音に富んだベンチマークを構築した。
  論文  参考訳（メタデータ） (2025-09-25T14:11:57Z)
• Inside-Out: Hidden Factual Knowledge in LLMs [50.79758420289131]
  この研究は、大言語モデル(LLM)が出力で表現したものよりも、パラメータの事実的知識を符号化するかどうかを評価するためのフレームワークを示す。 まず、与えられた質問に対して、正解が上位にランクされている正解対の分数として、その知識の形式的定義を定量化する。 次に、このフレームワークを3つの人気のあるオープンウェイト LLM に適用し、クローズドブック QA セットアップのケーススタディを示す。
  論文  参考訳（メタデータ） (2025-03-19T15:21:48Z)
• Probabilistic Tree-of-thought Reasoning for Answering Knowledge-intensive Complex Questions [93.40614719648386]
  大規模言語モデル(LLM)は、知識集約的な複雑な質問にチェーン・オブ・シント(CoT)推論で答えることができる。 最近の研究は、CoT推論を強化するための外部知識の回収に向けられている。 確率的ツリー・オブ・シント推論(ProbTree)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-23T12:52:37Z)
• Knowledge-Driven CoT: Exploring Faithful Reasoning in LLMs for Knowledge-intensive Question Answering [17.672572064705445]
  CoT(Chain-of-Thought)を備えた大規模言語モデル(LLM)は、様々な下流タスクにおいて顕著な推論能力を示している。 我々は、外部知識との相互作用を通じてCoTの推論トレースを検証・修正する、KD-CoT(Knowled-Driven Chain-of-Thought)というフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-25T09:23:55Z)

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。