論文の概要: GraphCert: Bootstrap Agentic Graph Reasoning with Certified Evidence Rubrics

• arxiv url: http://arxiv.org/abs/2609.38798v1
• Date: Wed, 30 Sep 2026 02:29:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.042295
• Title: GraphCert: Bootstrap Agentic Graph Reasoning with Certified Evidence Rubrics
• Title（参考訳）: GraphCert: 認証されたエビデンスルーブリックを用いたブートストラップエージェントグラフ推論
• Abstract要約: 有能なグラフエージェントを訓練するには、通常、質問と回答のペアと推論の軌跡を大量に集める必要がある。 本稿では,エージェントグラフ推論のブートストラップとしてGraphCertを提案する。
• 参考スコア（独自算出の注目度）: 14.13119682952712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph agents extend large language models (LLMs) with the ability to actively explore and reason over knowledge graphs through multi-step interactions with graph tools. However, training capable graph agents typically requires large collections of question-answer pairs and reasoning trajectories, whose manual construction is costly and difficult to scale. Moreover, employing proprietary LLMs to generate such supervision further risks exposing sensitive graph data to external services. Therefore, we propose GraphCert to bootstrap agentic graph reasoning with certified evidence rubrics during post-training. Specifically, the Bootstrapped Graph Quizzer guided by generation controls produces graph-grounded QA pairs and marks supporting evidence, which undergo execution certification and semantic curation. The accepted evidence is then canonicalized into certified evidence rubrics that later reward Graph Solver evidence alignment alongside answer correctness during GRPO training. Experiments on five graph reasoning domains in GRBENCH demonstrate that GraphCert consistently outperforms substantially larger LLM agents and post-training method. Furthermore, our analysis demonstrates that the learned policy transfers robustly across heterogeneous graph domains, suggesting that GraphCert acquires reusable graph-reasoning capabilities rather than domain-specific patterns. These results establish executable self-certification as an effective approach to self-training compact graph reasoning agents. Our code will be made publicly available.
• Abstract（参考訳）: グラフエージェントは、大規模言語モデル(LLM)を拡張し、グラフツールとのマルチステップインタラクションを通じて知識グラフを積極的に探索し、推論する機能を持つ。 しかしながら、有能なグラフエージェントの訓練には、通常、大量の問合せペアと推論トラジェクトリが必要である。 さらに、プロプライエタリなLLMを使用して、このような監視を発生させ、機密性の高いグラフデータを外部サービスに公開するリスクをさらに高める。 そこで本稿では,エージェントグラフ推論のブートストラップとしてGraphCertを提案する。 具体的には、生成制御によってガイドされるBootstrapped Graph Quizzerは、グラフ基底のQAペアを生成し、実行認証とセマンティックキュレーションを実行するための証拠を示す。 承認された証拠は、後に、GRPO訓練中に答えの正当性と共にグラフソルバーの証拠を報酬する証明された証拠の破片に正当化される。 GRBENCHにおける5つのグラフ推論領域の実験により、GraphCertはずっと大きなLCMエージェントやポストトレーニングメソッドよりも優れた性能を示した。 さらに分析の結果,学習方針が不均一なグラフドメイン間で堅牢に伝達されることが示され,GraphCertはドメイン固有のパターンではなく,再利用可能なグラフ推論機能を取得することが示唆された。 これらの結果は、自己学習型コンパクトグラフ推論エージェントに対する効果的なアプローチとして実行可能自己証明を確立する。 私たちのコードは公開されます。

関連論文リスト

• SelfGraphRAG: Bridging the Supervision Gap in Graph-Based RAG with Synthetic QA Generation [10.08021023788401]
  SelfGraphRAGは知識グラフ構造から直接質問応答ペアを生成し、クエリ条件のグラフ検索をトレーニングするフレームワークである。 本稿では,SelfGraphRAGにより,埋め込みベースラインよりも検索精度と下流推論性能が向上することを示す。
  論文  参考訳（メタデータ） (2026-08-25T20:18:05Z)
• VeriGraph: Towards Verifiable Data-Analytic Agents [71.17693022916896]
  LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、その出力は滅多に検証されていない。 We propose VeriGraph, a traceable neuro-symbolic reasoning framework that agent can construct an explicit heterogeneous evidence directed acyclic graph。 以上の結果から,明示的なエビデンスグラフ構築がデータ分析エージェントの検証に期待できる道のりであることが示唆された。
  論文  参考訳（メタデータ） (2026-06-15T11:50:56Z)
• GraphWalk: Enabling Reasoning in Large Language Models through Tool-Based Graph Navigation [0.2999888908665658]
  問題に依存しない、トレーニング不要な、ツールベースのフレームワークであるGraphWalkを紹介します。 我々は、GraphWalkを組み込んだモデルが、これらの操作を正しい多段階推論チェーンに構成できるかどうかを評価する。
  論文  参考訳（メタデータ） (2026-04-02T04:43:01Z)
• GraphScout: Empowering Large Language Models with Intrinsic Exploration Ability for Agentic Graph Reasoning [46.699075133532595]
  近年のGraph-based Retrieval-Augmented Generation (GraphRAG)法では,知識グラフと大規模言語モデル (LLM) の反復的相互作用を導入し,推論能力を向上させる。 より柔軟なグラフ探索ツールを備えたトレーニング中心のエージェントグラフ推論フレームワークであるGraphScoutを提案する。
  論文  参考訳（メタデータ） (2026-03-02T03:25:40Z)
• Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
  グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-23T05:41:05Z)
• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• AutoGraph-R1: End-to-End Reinforcement Learning for Knowledge Graph Construction [60.51319139563509]
  強化学習(RL)を用いたタスクパフォーマンスのKG構築を直接最適化する最初のフレームワークであるAutoGraph-R1を紹介する。 我々は2つの新しいタスク対応報酬関数を設計し、1つは知識担体としてのグラフと、もう1つは知識指標としてのグラフを設計する。 私たちの研究は、構築とアプリケーションの間のループを閉じることが可能であることを示している。
  論文  参考訳（メタデータ） (2025-10-17T06:03:36Z)
• Graph Agent: Explicit Reasoning Agent for Graphs [3.422149942031643]
  本稿では,大規模言語モデル(LLM)を活用するインテリジェントエージェントであるグラフエージェント(GA),帰納的推論モジュール,グラフ推論タスクのための長期メモリを紹介する。 GAはシンボリック推論と既存のグラフ埋め込みの側面を統合し、複雑なグラフ推論タスクに革新的なアプローチを提供する。 その結果、GAは最先端のパフォーマンスに達し、精度は90.65%、95.48%、Cola、PubMed、PrimeKGの各データセットで89.32%であった。
  論文  参考訳（メタデータ） (2023-10-25T07:20:16Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)

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。