論文の概要: Wikidata Search Traces: A Dataset for Training Knowledge Graph Search Agents
- arxiv url: http://arxiv.org/abs/2610.06650v2
- Date: Tue, 06 Oct 2026 16:10:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.436981
- Title: Wikidata Search Traces: A Dataset for Training Knowledge Graph Search Agents
- Title（参考訳）: Wikidata Search Traces:知識グラフ検索エージェントを訓練するためのデータセット
- Abstract要約: 我々は、グラフを探索することで答えるエージェントを研究し、それらを制限する2つの障害について論じる: ソルバの探索方法を記録するトレーニングデータの欠如と、モデルコンテキストに直接大きなグラフ結果を加えるインターフェース。
我々は、名前付きエンティティをネスト条件に置き換え、ターゲットがユニークであり、新しい条件がすべて必要であることを各拡張後に確認することで、凍結したWikidataスナップショット上にマルチホップ質問を構築する。
生成した再帰言語モデル(Recursion Language Model, RLM)では,バッチグラフコールをモデルとして,結果を永続的に保持する。
- 参考スコア（独自算出の注目度）: 0.5171828250571326
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wikidata is one of the largest open knowledge bases, yet answering a complex question over it still requires a SPARQL query that names the right entities and properties and chains their relations. Language models offer a natural-language alternative but answer largely from memory, which is least reliable for less prominent entities. We study agents that instead answer by exploring the graph, and argue that two obstacles limit them: the lack of training data recording how a solver explores, and interfaces that add large graph results directly to the model's context. We test three hypotheses: that the difficulty of graph search can be controlled through the structure of a question rather than only through obscure entities or wording; that much of the failure on long-horizon search comes from how retrieved evidence is managed rather than from the model itself; and that, in a suitable environment, open-weight models can match commercial closed ones. We construct multi-hop questions on a frozen Wikidata snapshot by replacing named entities with nested conditions, checking after each expansion that the target remains unique and that every new condition is necessary. We release 10,235 solving traces over single-entity and multi-hop questions, together with the recursive language model (RLM) harness that produced them, in which models batch graph calls, keep results in persistent Python state and interpret selected evidence through sub-calls. On 100 questions, the harness improves both models we ran under both interfaces compared with direct tool calling over the same functions: gpt-6-luna rises from 49 to 61 correct answers, doubling its multi-hop accuracy, and Qwen3.8-27B, an open-weight model served on a single GPU, from 60 to 74.
- Abstract（参考訳）: Wikidataは、最も大きなオープンな知識基盤の1つだが、複雑な質問に答えるには、適切なエンティティとプロパティを指定し、それらの関係をチェーンするSPARQLクエリが必要である。
言語モデルは自然言語の代替手段を提供するが、ほとんどはメモリから答える。
我々は、グラフを探索することで答えるエージェントを研究し、その2つの障害はそれらを制限する: ソルバの探索方法を記録するトレーニングデータの欠如と、大きなグラフをモデルコンテキストに直接付加するインターフェースである。
グラフ探索の難しさは、不明瞭な実体や単語だけでなく、質問の構造によって制御できるという仮説、長い水平探索の失敗の多くは、モデル自体からではなく、どうやって証拠が管理されるか、そして適切な環境では、オープンウェイトモデルが商業的なクローズドモデルと一致するか、という3つの仮説を検証した。
我々は、名前付きエンティティをネスト条件に置き換え、ターゲットがユニークであり、新しい条件がすべて必要であることを各拡張後に確認することで、凍結したWikidataスナップショット上にマルチホップ質問を構築する。
バッチグラフの呼び出しをモデルとし、結果を永続的なPythonの状態に保持し、サブコールを通じて選択されたエビデンスを解釈する再帰的言語モデル(RLM)とともに、シングルエンタリティとマルチホップの質問のトレースを10,235 個リリースする。
gpt-6-lunaは49から61まで上昇し、そのマルチホップ精度は2倍になり、Qwen3.8-27Bは単一のGPUで提供されるオープンウェイトモデルである。
関連論文リスト
- SAGA: Schema-Aware Grounding for Agentic Text-to-SPARQL Generation [3.01421775057336]
複雑な知識ベース質問応答(KBQA)は、質問固有のサブグラフ上の情報検索か、あるいは意味解析によって実行可能な論理形式にアプローチすることが一般的である。
最近の大規模言語モデルエージェントは、セマンティックパースをインタラクティブにする。推論、知識ベースへのクエリ、部分的なSPARQLクエリの拡張を交互に行う。
本稿では,SAGA(UnderlineSchema-underlineAware UnderlineGrounding for UnderlineAgentic Text-to-SPARQL Generation)を提案する。
論文 参考訳（メタデータ） (2026-07-16T02:17:21Z) - 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) - Less is More: Making Smaller Language Models Competent Subgraph Retrievers for Multi-hop KGQA [51.3033125256716]
本研究では,小言語モデルで処理される条件生成タスクとして,サブグラフ検索タスクをモデル化する。
2億2千万のパラメータからなる基本生成部分グラフ検索モデルでは,最先端モデルと比較して競合検索性能が向上した。
LLMリーダを接続した最大の3Bモデルは、WebQSPとCWQベンチマークの両方で、SOTAのエンドツーエンドパフォーマンスを新たに設定します。
論文 参考訳（メタデータ） (2024-10-08T15:22:36Z) - Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering [60.6042489577575]
Konstruktor - 問題を3つのステップに分割する,効率的で堅牢なアプローチ。
我々のアプローチは言語モデルと知識グラフを統合し、前者の力と後者の解釈可能性を活用する。
関係検出において、ワークフローの最も困難なステップとして、関係分類・生成とランク付けの組み合わせが、他の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-09-24T09:19:11Z) - Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。
提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
論文 参考訳（メタデータ） (2024-06-14T13:28:03Z) - Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。
我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。
実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
論文 参考訳（メタデータ） (2023-06-09T06:02:01Z) - 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) - Enhancing Self-Consistency and Performance of Pre-Trained Language
Models through Natural Language Inference [72.61732440246954]
大規模な事前訓練された言語モデルは、テスト入力間の論理的一貫性を欠いていることが多い。
本研究では,事前学習したNLPモデルの一貫性と精度を高めるためのフレームワークであるConCoRDを提案する。
ConCoRDは、市販のクローズドブックQAおよびVQAモデルの精度と一貫性を一貫して向上することを示す。
論文 参考訳（メタデータ） (2022-11-21T21:58:30Z) - An Inference Approach To Question Answering Over Knowledge Graphs [7.989723691844202]
本研究では,知識グラフ上の自然言語クエリの問題を前提-仮説ペア上の推論問題に変換する。
提案手法は,MetaQAデータセット上で90%以上の精度を達成し,既存の最先端技術を上回っている。
我々のアプローチでは、異なるドメインからの新しい知識グラフをクエリするために、大きなドメイン固有のトレーニングデータを必要としない。
論文 参考訳（メタデータ） (2021-12-21T10:07:55Z) - Mitigating False-Negative Contexts in Multi-document QuestionAnswering
with Retrieval Marginalization [29.797379277423143]
応答不能なクエリを適切に処理するset-valued検索の新しいパラメータ化を開発している。
トレーニング中にこの集合を限界化することで、モデルが注釈付き支持証拠の偽陰性を緩和できることを示す。
IIRCでは,代替文脈の余分化による連成モデリングによりモデル性能が5.5F1ポイント向上し,50.6F1の新たな最先端性能が得られることを示す。
論文 参考訳（メタデータ） (2021-03-22T23:44:35Z)
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。