論文の概要: Explore-on-Graph: Hybrid Embedding-LLM Reasoning for Knowledge Graph Question Answering under Incompleteness

• arxiv url: http://arxiv.org/abs/2609.39786v1
• Date: Wed, 30 Sep 2026 14:08:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.872772
• Title: Explore-on-Graph: Hybrid Embedding-LLM Reasoning for Knowledge Graph Question Answering under Incompleteness
• Title（参考訳）: グラフ探索:不完全性下での知識グラフ質問応答のためのハイブリッド埋め込み-LLM推論
• Abstract要約: 大規模言語モデル (LLMs) は知識グラフ (KGs) と組み合わさり、構造化された証拠の基底推論を行う。 我々は,学習グラフ構造から欠落した推論経路を復元する不完全なKGに対して,マルチホップ質問応答を行うフレームワークであるXoGを紹介する。 XoGは、KGの不完全性の下でタスク固有のKGQAトレーニングなしで、同等の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 0.6373987290740156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly combined with knowledge graphs (KGs) to ground reasoning in structured evidence. However, most LLM-based KGQA methods rely on traversing existing graph edges and become unreliable when reasoning paths are broken by missing facts. Alternatives that ask LLMs to generate missing knowledge risk introducing hallucinated evidence. We introduce XoG (eXplore-on-Graph), a framework for multi-hop question answering over incomplete KGs that recovers missing reasoning paths from learned graph structure rather than LLM parametric knowledge. XoG combines type-level entity-relation statistics to identify candidate relations with KG embeddings to retrieve plausible missing entities, using the LLM as a semantic selector and reasoner. These mechanisms are integrated into an iterative planning-exploration-reasoning process. Experiments on WebQSP, CWQ, and the Wikidata-based BRINK benchmark show that XoG remains competitive on complete KGs and consistently outperforms comparable methods without task-specific KGQA training under KG incompleteness. These gains persist across multiple LLM backbones, indicating that stronger LLMs alone do not resolve missing graph evidence. XoG also reduces LLM token consumption by up to 33% compared with a closely related planning-based approach.
• Abstract（参考訳）: 大規模言語モデル (LLMs) は知識グラフ (KGs) と組み合わさり、構造化された証拠の基底推論を行う。 しかし、ほとんどのLLMベースのKGQA法は、既存のグラフエッジをトラバースすることに依存しており、経路が欠落した事実によって破られると信頼性が低下する。 LLMに対して、幻覚的証拠の導入による知識不足のリスクを発生させる方法。 我々は、LLMパラメトリック知識ではなく、学習グラフ構造から欠落した推論経路を復元する不完全なKGに対して応答するマルチホップ質問のためのフレームワークであるXoG(eXplore-on-Graph)を紹介する。 XoGは、タイプレベルのエンティティ関連統計と組み合わせて、KG埋め込みと候補関係を識別し、LLMをセマンティックセレクタと推論器として使用し、妥当な欠落したエンティティを検索する。 これらのメカニズムは、反復的な計画-探索-推論プロセスに統合される。 WebQSP、CWQ、WikidataベースのBRINKベンチマークの実験は、XoGが完全なKGで競争力を持ち続け、KGの不完全性の下でタスク固有のKGQAトレーニングなしで、同等のメソッドを一貫して上回っていることを示している。 これらの利得は複数のLLMバックボーンにまたがって持続しており、強いLLMだけでは欠落したグラフ証拠を解決できないことを示している。 XoGはまた、LLMトークンの消費を、密接に関連する計画ベースのアプローチと比較して最大33%削減する。

関連論文リスト

• Debate-on-Graph: Reliable and Adaptive Reasoning of Large Language Model on Uncertain Knowledge Graph [8.035556855886657]
  大規模言語モデル (LLM) は自然言語処理において顕著な能力を示した。 LLMは、質問応答(QA)タスクを扱う際に、幻覚や関連する知識の欠如に悩まされることが多い。 本稿では,LLM と UKG が協調して信頼性の高い推論を行うことを可能にする新しいフレームワークである Debate-on-Graph (DoG) を提案する。
  論文  参考訳（メタデータ） (2026-07-19T14:17:37Z)
• Search-on-Graph: Iterative Informed Navigation for Large Language Model Reasoning on Knowledge Graphs [26.0585592684229]
  大規模言語モデル(LLM)は、知識集約型マルチホップ質問では信頼性が保たれていない印象的な推論能力を示している。 本稿では,LLMの反復的なグラフナビゲーションを実現するための,シンプルかつ効果的なフレームワークである検索オングラフ(SoG)を提案する。 Wikidataベンチマーク(以前のベストメソッドよりも+16%改善)とFreebaseベンチマークの一貫性のある改善は特に顕著です。
  論文  参考訳（メタデータ） (2025-10-09T21:20:16Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• Graph-constrained Reasoning: Faithful Reasoning on Knowledge Graphs with Large Language Models [92.71304585906624]
  大規模言語モデル(LLM)は知識ギャップと幻覚のために忠実な推論に苦しむ。 グラフ制約推論(GCR)は、KGにおける構造的知識とLLMにおける非構造的推論を橋渡しする新しいフレームワークである。 GCRは最先端のパフォーマンスを達成し、追加のトレーニングをすることなく、見えないKGに対して強力なゼロショット一般化性を示す。
  論文  参考訳（メタデータ） (2024-10-16T22:55:17Z)
• Debate on Graph: a Flexible and Reliable Reasoning Framework for Large Language Models [33.662269036173456]
  大規模言語モデル(LLM)は、関連する知識の欠如により、現実世界の応用において幻覚に悩まされることがある。 KGQA(Knowledge Graph Question Answering)は、統合のための重要な手掛かりとなる。 LLMの対話型学習機能を活用してグラフ上での推論と議論を行う対話型KGQAフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-05T01:11:58Z)
• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
  我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• Reasoning on Graphs: Faithful and Interpretable Large Language Model Reasoning [104.92384929827776]
  大規模言語モデル(LLM)は複雑なタスクにおいて顕著な推論能力を示している。 彼らは推論中に最新の知識と幻覚を欠いている。 知識グラフ(KG)は、推論のための信頼できる知識源を提供する。
  論文  参考訳（メタデータ） (2023-10-02T10:14:43Z)

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。