論文の概要: Better Reasoning, Not Just Bigger Models: A Structure-Grounded Framework for Efficient and Reliable Inference

• arxiv url: http://arxiv.org/abs/2610.30611v1
• Date: Thu, 22 Oct 2026 02:20:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.189149
• Title: Better Reasoning, Not Just Bigger Models: A Structure-Grounded Framework for Efficient and Reliable Inference
• Title（参考訳）: より優れた推論、単に大きなモデルではなく - 効率的で信頼性の高い推論のための構造中心のフレームワーク
• Abstract要約: 本研究では,トークンレベルの生成を補完する学習自由フレームワークであるStructure-Grounded Uncertainity Reduction (SGUR)を提案する。 我々は,SGUR を PrimeKG 由来の医療診断ベンチマークで評価し,構造的接地がモデルスケールに部分的に代用できることを実証した。 特に、SGURは、より小さなバックボーンモデルを最大10倍のモデルの性能に適合または超えることが可能であり、モデルサイズの増加にのみ依存するよりも、構造的基盤はエージェントのパフォーマンスをスケーリングするためのより堅牢で効率的なパラダイムを提供することを示唆している。
• 参考スコア（独自算出の注目度）: 7.347894219674772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scaling large language models has substantially improved linguistic fluency, yet reliable autonomous agents require more than fluent generation. In multi-turn inference, current agentic systems often produce semantically plausible but structurally ungrounded reasoning, especially under incomplete observations. We propose Structure-Grounded Uncertainty Reduction (SGUR), a training-free framework that complements token-level generation with active uncertainty reduction over structured hypothesis spaces. SGUR represents incomplete observations as a query graph and aligns them with candidate hypothesis graphs through a prior-weighted partial graph matching mechanism, where database-derived empirical priors assign greater importance to decision-relevant relations rather than treating all graph edges uniformly. The resulting inference state is iteratively refined by an active information-gain strategy that selects the next most informative node to query, systematically pruning the candidate space. We instantiate SGUR on a challenging PrimeKG-derived sequential medical diagnosis benchmark, demonstrating that structural grounding can partially substitute for model scale: starting from only two observed symptoms, SGUR achieves 92.5% Hit@3, outperforming the strongest Graph-RAG baseline by 9.4 percentage points while using approximately 5x fewer tokens. Notably, SGUR enables smaller backbone models to match or exceed the performance of models up to 10x larger, suggesting that structural grounding provides a more robust and efficient paradigm for scaling agent performance than relying exclusively on increasing model size.
• Abstract（参考訳）: 大規模言語モデルのスケーリングは言語流用性を大幅に向上させたが、信頼性の高い自律エージェントは流動的な生成以上のものを必要としている。 マルチターン推論では、現在のエージェントシステムは、特に不完全な観測の下で、意味論的に妥当だが構造的に非基底的な推論を生成することが多い。 本研究では,トークンレベルの生成を補完する学習自由フレームワークであるStructure-Grounded Uncertainity Reduction (SGUR)を提案する。 SGURは、不完全な観測をクエリグラフとして表現し、それらを事前重み付けされた部分グラフマッチング機構を通じて仮説グラフと整合させる。 結果の推論状態は、候補空間を体系的にプルーニングする次の最も情報性の高いノードを選択するアクティブな情報ゲイン戦略によって反復的に洗練される。 SGURは2つの症状から始めて92.5%のHit@3を達成し、最も強力なGraph-RAGベースラインを約5倍少ないトークンを用いて9.4ポイント上回った。 特に、SGURは、より小さなバックボーンモデルを最大10倍のモデルの性能に適合または超えることが可能であり、モデルサイズの増加にのみ依存するよりも、構造的基盤はエージェントのパフォーマンスをスケーリングするためのより堅牢で効率的なパラダイムを提供することを示唆している。

関連論文リスト

• AbstainGNN: Teaching Graph Neural Networks to Abstain for Graph Classification [56.26852966986448]
  AbstainGNNはグラフ分類のための新しい理論駆動のフレームワークである。 予測関数と禁忌関数の両方を明示的にモデル化し、グラフ構造情報の有効利用を可能にする。 5つのベンチマークデータセットの実験によると、AbstainGNNは既存の禁忌法より優れている。
  論文  参考訳（メタデータ） (2026-05-29T03:21:14Z)
• Graph Hierarchical Recurrence for Long-Range Generalization [25.351165089986868]
  グラフニューラルネットワーク(GNN)とグラフトランスフォーマー(GT)は現在、グラフ学習の基本的なパラダイムとなっている。 グラフ階層再帰(GHR: Graph Hierarchical Recurrence)は,入力グラフとプールによって得られる階層的抽象化を併用した新しいフレームワークである。 我々はGHRが既存のグラフモデルより一貫して優れており、現在の最先端モデルのパラメータの1%しか使用していないことを示す。
  論文  参考訳（メタデータ） (2026-05-18T13:31:21Z)
• Where Larger Models Excel: The Primacy of Constraint-Guided Reasoning [15.328262855516689]
  より大きなモデルが安定した優位性を示すような疑問を識別する自動フレームワークを開発する。 我々の分析は、ドメイン間で再帰する共通のアドバンテージと、特定のドメインに関連する特別なアドバンテージの両方にまたがる、より大きなモデル推論のアドバンテージの体系的な分類をもたらす。 より大きなモデルは、明示的で暗黙的な制約を識別し、構造化された推論に分類し、実行不可能なパスを除外し、中間ステップを検証するためにそれらを使用するのがよい。
  論文  参考訳（メタデータ） (2026-05-09T09:54:59Z)
• Heuristic-inspired Reasoning Priors Facilitate Data-Efficient Referring Object Detection [53.988759250627425]
  HeROD(Heuristic-inspired ROD)は、明示的で解釈可能な空間的および意味的推論を注入する軽量でモデルに依存しないフレームワークである。 HeRODは、スカーセラベル体制において強い接地ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-03-25T10:33:22Z)
• Evaluating and Enhancing the Vulnerability Reasoning Capabilities of Large Language Models [15.849480549367684]
  本稿では,DAG生成タスクとして脆弱性推論をモデル化する新しいフレームワークであるDAGVulを提案する。 さらにReinforcement Learning with Verifiable Rewards (RLVR)を導入することで、モデル推論トレースをプログラム固有の論理と整合させる。 我々のフレームワークは、すべてのベースラインに対して平均18.9%の推論F1スコアを改善します。
  論文  参考訳（メタデータ） (2026-02-06T13:19:45Z)
• HugRAG: Hierarchical Causal Knowledge Graph Design for RAG [13.71290541205767]
  HugRAGは、グラフベースのRAGの知識組織を再考するフレームワークである。 我々の研究は、構造化され、スケーラブルで、因果的に基礎付けられたRAGシステムのための原則化された基盤を確立する。
  論文  参考訳（メタデータ） (2026-02-04T23:59:02Z)
• GRAVER: Generative Graph Vocabularies for Robust Graph Foundation Models Fine-tuning [92.19531718298744]
  Graph Foundation Models (GFMs) は、さまざまなグラフタスクやドメインにまたがる広範な適用性を約束している。 既存のGFMは不安定な数発の微調整に苦戦している。 本稿では,ロバスト GFM ファインチューニングフレームワーク GRAVER を提案する。
  論文  参考訳（メタデータ） (2025-11-05T13:07:26Z)
• GENUINE: Graph Enhanced Multi-level Uncertainty Estimation for Large Language Models [15.035039054096188]
  大規模言語モデルの信頼性を高めるためには不確実性推定が不可欠である。 大規模言語モデルに対するグラフエンハンスmUltiレベルの不確実性推定法を提案する。
  論文  参考訳（メタデータ） (2025-09-09T17:07:44Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• PCPL: Predicate-Correlation Perception Learning for Unbiased Scene Graph Generation [58.98802062945709]
  本稿では,適切な損失重みを適応的に求めるための新しい述語相関知覚学習手法を提案する。 我々のPCPLフレームワークは、文脈特徴をよりよく抽出するグラフエンコーダモジュールも備えています。
  論文  参考訳（メタデータ） (2020-09-02T08:30:09Z)

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。