論文の概要: Query-Driven Learning for Lifted Reasoning

• arxiv url: http://arxiv.org/abs/2610.34747v1
• Date: Mon, 26 Oct 2026 02:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.709052
• Title: Query-Driven Learning for Lifted Reasoning
• Title（参考訳）: リフテッド推論のためのクエリ駆動学習
• Abstract要約: 推論のためのクエリ駆動学習の問題について検討する。 昇降レベルでのタスクを解く準多項式時間アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 11.564847951783372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning and reasoning are both essential to intelligent agents, but have traditionally been treated as two separate stages: first learning a knowledge base from data (or taking one as given), and then verifying queries as if the knowledge base were complete. This separation has been shown to be inefficient when the downstream goal is to verify only a small set of queries. Moreover, it neglects the possibility that data and a knowledge base contain partial yet complementary information, requiring an agent to combine both sources to justify or refute a query. Motivated by the need to integrate learning and reasoning more tightly, we study the problem of query-driven learning for reasoning. More specifically, we extend prior work to the first-order setting, which is critical for practical applications as the number of ground atoms typically grows rapidly. We begin by asking when validating or refuting a universal query given partial data and knowledge base is even possible, and identify a necessary and sufficient condition called bounded concealment. We then propose a quasi-polynomial-time algorithm that solves the task at the lifted level. Finally, we establish soundness and completeness guarantees relative to space-bounded lifted proofs, along with quasipolynomial sample and runtime bounds, demonstrating that lifted query-driven reasoning can be efficient even when unrestricted knowledge-base learning is not.
• Abstract（参考訳）: 学習と推論は知的エージェントにとって必須であるが、伝統的に2つの異なる段階として扱われてきた。 この分離は、下流のゴールが少数のクエリのみを検証することにある場合、非効率であることが示されている。 さらに、データと知識ベースが部分的かつ相補的な情報を含んでいる可能性を無視し、エージェントが両方のソースを組み合わせてクエリを正当化または反証する必要があった。 学習と推論をより緊密に統合する必要性から,クエリ駆動学習の推論問題について検討した。 より具体的には、我々は先行研究を1次設定にまで拡張し、通常は基底原子の数が急速に増加するので、実際的な応用に欠かせない。 まず、部分的データと知識ベースが与えられた普遍的なクエリの検証や反証が可能であるかどうかを問うとともに、境界隠蔽と呼ばれる必要十分条件を特定します。 次に,昇降レベルでのタスクを解く準多項式時間アルゴリズムを提案する。 最後に、空間有界な持ち上げ証明と準ポリノミカルなサンプルと実行時有界な証明との健全性と完全性を確立し、制限のない知識ベース学習がなくても、持ち上げられたクエリ駆動推論が効率的であることを示す。

関連論文リスト

• Knowledge Integration Decay in Search-Augmented Reasoning of Large Language Models [36.1675867877378]
  本研究では,知識利用の安定化を目的とした,学習不要な推論時間戦略であるSelf-Anchored Knowledge Integration (SAKE)を提案する。 SAKEはKnowledge Decay(KID)を大幅に軽減し、パフォーマンスを改善し、エージェントLLMにおける知識統合のための軽量で効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-02-10T08:20:26Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• CoLoTa: A Dataset for Entity-based Commonsense Reasoning over Long-Tail Knowledge [19.34131843380852]
  我々は、Long-Tailエンティティ(CoLoTa)上でのCommonsense推論のための新しいデータセットを提案する。 CoLoTaは質問応答とクレーム検証タスクから3,300のクエリで構成されている。 我々は,LLMコモンセンス推論能力と,長い尾を持つ物体に対する幻覚に対する頑健性の両方を評価するための新しいベンチマークとしてCoLoTaを提案する。
  論文  参考訳（メタデータ） (2025-04-20T02:47:18Z)
• Extending Complex Logical Queries on Uncertain Knowledge Graphs [50.360531130930646]
  機械学習に基づく論理クエリ応答の研究は、大規模かつ不完全な知識グラフによる推論を可能にする。 我々は,大規模,不完全,不確実な知識グラフ上でのソフトクエリに応答するために,前方推論と後方校正の両方を組み込んだニューラルシンボリックアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-03T13:13:53Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• Open-ended Commonsense Reasoning with Unrestricted Answer Scope [47.14397700770702]
  Open-ended Commonsense Reasoning は、1) 回答候補の短いリスト、2) 事前定義された回答スコープを提供することなく、Commonsenseの問題を解決するものとして定義される。 本研究では,事前学習した言語モデルを用いて,外部知識に基づく推論経路を反復的に検索する。 推論パスは、常識的な質問に対する最も正確な答えを特定するのに役立つ。
  論文  参考訳（メタデータ） (2023-10-18T02:45:54Z)
• Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
  本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。 これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。 提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
  論文  参考訳（メタデータ） (2023-04-14T11:35:35Z)

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。