論文の概要: FRACTION: Fraud Explanation Generation via Agentic Graph Context Navigation

• arxiv url: http://arxiv.org/abs/2610.18023v1
• Date: Tue, 13 Oct 2026 09:16:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:44:12.132216
• Title: FRACTION: Fraud Explanation Generation via Agentic Graph Context Navigation
• Title（参考訳）: FRACTION:エージェントグラフコンテキストナビゲーションによるフラッド説明生成
• Abstract要約: 本稿では,Fraud Explanation Generation by Agentic Graph Context NavigaTION (FRACTION)を提案する。 説明の質を評価するために, 忠実度, グラフの接地, 有用性, 一貫性, 簡潔さを評価するタスク特化ルーブリックを導入する。 グラフエージェントを訓練するために,ツール使用行動と構造的説明生成の両方を学習するルーリック誘導型トラジェクトリー蒸留法を提案する。
• 参考スコア（独自算出の注目度）: 67.14925690625753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph fraud explanation generation emerges as an important task, which requires jointly leveraging graph structure and content information to produce human-readable explanations for a given risk label. An intuitive approach is to adapt existing graph-enhanced large language models (LLMs), which inject graph structure into LLMs via graph-conditioned instruction tuning or structure-aware embeddings. However, existing methods face two key challenges in graph fraud explanation generation: a lack of evaluation protocols tailored to explanation quality, and a mismatch between the granularity of graph information they provide and what explanation generation requires. In this paper, we propose FRaud Explanation Generation via Agentic Graph Context NavigaTION (FRACTION), a framework for graph fraud explanation generation. To evaluate explanation quality, we introduce a task-specific rubric that assesses faithfulness, graph grounding, helpfulness, consistency, and conciseness, and validate it against human judgments. To focus on fine-grained details of relevant neighbors without reading the entire neighborhood, we equip a language model with graph tools that progressively disclose neighbor records. To train our graph agent, we propose a rubric-guided trajectory distillation strategy through which the agent learns both tool-use behavior and structured explanation generation. Experimental results on three fraud datasets demonstrate consistent improvements over state-of-the-art baselines under a human-aligned rubric.
• Abstract（参考訳）: グラフ不正説明生成は、グラフ構造とコンテンツ情報とを併用して、所定のリスクラベルに対して可読な説明を生成する、重要なタスクとして出現する。 直感的なアプローチは、グラフ条件の命令チューニングや構造対応の埋め込みを通じて、グラフ構造をLLMに注入する既存のグラフ強化大型言語モデル(LLM)を適用することである。 しかし、既存の手法では、説明品質に適した評価プロトコルの欠如と、それらが提供するグラフ情報の粒度と説明生成に必要なものとのミスマッチという、グラフ不正説明生成の2つの重要な課題に直面している。 本稿では,Fraud Explanation Generation by Agentic Graph Context NavigaTION (FRACTION)を提案する。 説明の質を評価するために,信頼度,グラフ接地,有用性,一貫性,簡潔性を評価し,人的判断に対して検証するタスク固有のルーリックを導入する。 周辺地域全体を読み取ることなく,近隣住民の詳細な詳細に焦点を合わせるため,近隣住民の記録を段階的に開示するグラフツールを備えた言語モデルを構築した。 グラフエージェントを訓練するために,ツール使用行動と構造的説明生成の両方を学習するルーリック誘導型トラジェクトリー蒸留法を提案する。 3つの不正データセットの実験結果から,ヒトのアライメントしたルーリックの下での最先端のベースラインに対する一貫した改善が示された。

関連論文リスト

• 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)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• GraphGPT: Graph Instruction Tuning for Large Language Models [27.036935149004726]
  グラフニューラルネットワーク(GNN)は、グラフ構造を理解するために進化してきた。 堅牢性を高めるために、自己教師付き学習(SSL)はデータ拡張の重要なツールとなっている。 本研究は,ゼロショット学習環境におけるグラフモデルの一般化を推し進めることによって,この問題に対処する。
  論文  参考訳（メタデータ） (2023-10-19T06:17:46Z)
• Explanation Graph Generation via Generative Pre-training over Synthetic Graphs [6.25568933262682]
  説明グラフの生成は,ユーザの入力に応じて説明グラフを作成することを目的とした重要なタスクである。 現在の研究では、ラベル付きグラフで注釈付けされた小さな下流データセット上で、テキストベースの事前学習言語モデルを微調整するのが一般的である。 本稿では,説明グラフ生成タスクのための新しい事前学習フレームワークEG3Pを提案する。
  論文  参考訳（メタデータ） (2023-06-01T13:20:22Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• 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)

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。