論文の概要: Evolve on Graph: Self-Evolving Knowledge Graph Reasoning without Question Annotations

• arxiv url: http://arxiv.org/abs/2610.35598v1
• Date: Mon, 26 Oct 2026 15:23:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.05232
• Title: Evolve on Graph: Self-Evolving Knowledge Graph Reasoning without Question Annotations
• Title（参考訳）: Evolve on Graph: 質問文なしの自己進化型知識グラフ推論
• Abstract要約: Evolve on Graph(EoG)は、LLMがQAアノテーションなしでグラフ推論を自己生成できるフレームワークである。 疑似検証トポロジ合成(SVTS)は、KG上のトポロジを推論する。 EoGは、プロンプト、検索、およびエージェントベースのメソッドよりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 38.82681537646388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs (KGs) provide reliable external knowledge for multi-hop factual reasoning with large language models (LLMs), yet most KGs in real-world domains such as finance and industry lack question--answer (QA) annotations. Without such annotations, existing methods struggle to improve LLM graph reasoning: training-free agents cannot improve their exploration through interaction; reinforcement learning (RL) agents depend on QA data annotated by humans or synthesized by closed-source models; and training data is typically built offline, so its topology mix is fixed and cannot follow the agent's ability. We propose Evolve on Graph (EoG), a framework that lets an LLM self-evolve its graph reasoning without any QA annotations. Through Graph Self-Play, a single LLM alternates between a Proposer that poses questions and a Solver that answers them. To make questions verifiable, Symbolically Verifiable Topology Synthesis (SVTS) samples reasoning topologies on the KG and executes the corresponding first-order logic queries, yielding topology skeletons with correct and complete answer sets; guided by a skeleton, the Proposer explores the graph to pose a multi-hop question. To let task topologies follow the Solver, a Boundary-Aware Graph Curriculum rewards the Proposer by the Solver's score variance, keeping questions at the Solver's capability boundary so that complex topologies enter training as the Solver improves. On six benchmarks over Freebase, Wikidata, and an industrial KG, EoG consistently outperforms prompting-, retrieval-, and agent-based methods, showing that LLM graph reasoning can improve through self-play without QA annotations. Our code is available at https://github.com/Szy5/EoG
• Abstract（参考訳）: 知識グラフ(KG)は、大規模言語モデル(LLM)を用いたマルチホップの事実推論のための信頼性の高い外部知識を提供するが、金融や産業といった現実世界の領域ではQAアノテーションが欠落している。 このようなアノテーションがなければ、既存の手法はLSMグラフの推論を改善するのに苦労する: トレーニングフリーエージェントは相互作用を通じて探索を改善することができず、強化学習(RL)エージェントは人間によって注釈付けされたり、クローズドソースモデルによって合成されたQAデータに依存し、トレーニングデータは一般的にオフラインで構築されるため、トポロジーの混合は固定され、エージェントの能力に従うことができない。 Evolve on Graph(EoG)は、LLMがQAアノテーションを使わずにグラフ推論を自己生成できるフレームワークである。 Graph Self-Playを通じて、1つのLCMは、質問に答えるProposerと、答えるSolverとを交互に切り替える。 問題を検証するために、シンボリック検証トポロジ合成(SVTS)は、KG上のトポロジを推論し、対応する一階述語論理クエリを実行し、正解集合と完全解集合を持つトポロジスケルトンを生成する。 タスクトポロジをソルバーに従わせるために、境界対応グラフカリキュラムはソルバーのスコア分散によってプロポーラに報酬を与え、複雑なトポロジがソルバーの改善に従ってトレーニングに入るようにソルバーの能力境界に質問を保持する。 Freebase、Wikidata、および産業用KGの6つのベンチマークにおいて、EoGは一貫してプロンプト、検索、エージェントベースの手法より優れており、LLMグラフの推論はQAアノテーションなしでセルフプレイによって改善できることを示している。 私たちのコードはhttps://github.com/Szy5/EoGで利用可能です。

関連論文リスト

• Explore-over-Graph: Hybrid Embedding-LLM Reasoning for Knowledge Graph Question Answering under Incompleteness [0.6373987290740156]
  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。
  論文  参考訳（メタデータ） (2026-09-30T14:08:06Z)
• 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)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• 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)
• 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)
• ReasoningLM: Enabling Structural Subgraph Reasoning in Pre-trained Language Models for Question Answering over Knowledge Graph [142.42275983201978]
  本稿では,構造化推論を行うためのGNNを模倣するサブグラフ認識型自己認識機構を提案する。 また、モデルパラメータを2万のサブグラフで合成した質問に適応するための適応チューニング戦略も採用する。 実験により、ReasoningLMは、更新されたパラメータが少なく、トレーニングデータが少ない場合でも、最先端のモデルを大きなマージンで上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-30T07:18:54Z)

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。