論文の概要: Prospector: learning a compact graph traversal policy for scientific reasoning

• arxiv url: http://arxiv.org/abs/2610.37121v1
• Date: Tue, 27 Oct 2026 12:21:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.583552
• Title: Prospector: learning a compact graph traversal policy for scientific reasoning
• Title（参考訳）: 探究者:科学推論のためのコンパクトグラフトラバースポリシーの学習
• Abstract要約: 私たちは、ドメイン知識グラフを段階的に横断することで推論するために、コンパクトモデル、Prospectorをトレーニングします。 半導体製造の文献から構築された知識グラフ上で、プロスペクターは最強のオフザシェルフモデルにアプローチする。 半導体グラフでのみ訓練されるが、プロスペクターは他の3つの異なる分野から目に見えない知識グラフに遷移する。
• 参考スコア（独自算出の注目度）: 1.1458853556386797
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Scientific reasoning in specialized engineering fields depends on knowledge scattered across the literature, often proprietary and absent from frontier LLM training data. In such domains, frontier models tend to give generic answers. Knowledge graphs (KGs) can ground LLM reasoning. Because a graph is too large to provide in full, typical LLM+KG systems preselect a portion, deciding relevance before reasoning begins. Here we train a compact model, Prospector, to reason over a domain knowledge graph by traversing it step by step, seeking evidence in light of what it has already found. Prospector calls a small set of tools one at a time to progressively build its context, and answers with a chain of evidence that can be checked edge by edge against what its tools retrieved from the graph. On a knowledge graph built from the semiconductor-manufacturing literature, Prospector approaches the strongest off-the-shelf models given the same graph and tools, and it far exceeds off-the-shelf models answering closed-book or from a pre-selected portion of the graph. Although trained only on the semiconductor graph, Prospector transfers to unseen knowledge graphs from three other distinct fields: bio-inspired materials, per- and polyfluoroalkyl substances (PFAS) and materials properties. Served on a single GPU, Prospector answers faster and at a fraction of the cost of a hosted service, while keeping proprietary data on the owner's hardware. We find that the policy's latent state is indicative of its next move on both seen and unseen graphs, and modulating the latent state can steer the policy from one behavior mode to another. These results suggest a practical LLM + KG paradigm for scientific and engineering reasoning over private data, in which a compact model trained on a graph from published literature transfers its traversal to unseen graphs that stay with their owners.
• Abstract（参考訳）: 専門工学分野における科学的推論は、文献に散在する知識に依存しており、しばしばプロプライエタリであり、フロンティアのLLMトレーニングデータから欠落している。 そのような領域では、フロンティアモデルは一般的な答えを与える傾向がある。 知識グラフ (KG) は LLM の推論を基礎にすることができる。 グラフが大きすぎて完全なLLM+KGシステムを提供できないため、推論が始まる前に関連性を決定する。 ここでは、コンパクトモデル、Prospectorをトレーニングし、ドメイン知識グラフをステップバイステップで追跡し、既に見つけたものから証拠を求めることで、ドメイン知識グラフを推論します。 プロスペクタは、そのコンテキストを段階的に構築するために、小さなツールセットを1つずつ呼び出し、そのツールがグラフから取得したものに対してエッジでチェックできる一連の証拠で答える。 半導体製造の文献から構築された知識グラフでは、プロスペクターは同じグラフとツールで与えられた最強のオフザシェルフモデルに近づき、クローズドブックに答えるオフザシェルフモデルや、グラフの事前選択された部分からはるかに超えている。 半導体グラフでのみ訓練されるが、プロスペクターは他の3つの異なる分野(バイオインスパイアされた材料、パーフルオロアルキル物質(PFAS)、材料特性)から未知の知識グラフに移行する。 単一のGPU上で開発されたProspectorは、所有者のハードウェアにプロプライエタリなデータを保持しながら、ホストされたサービスのコストのごく一部で、より高速に回答する。 政策の潜伏状態は、目に見えるグラフと見えないグラフの両方に対する次の動きを示すものであり、潜伏状態の調整は、ある行動モードから別の行動モードへポリシーを操ることができる。 これらの結果から,個人データを用いた科学的・工学的推論のための実用的LLM+KGパラダイムが示唆された。

関連論文リスト

• GraphCert: Bootstrap Agentic Graph Reasoning with Certified Evidence Rubrics [14.13119682952712]
  有能なグラフエージェントを訓練するには、通常、質問と回答のペアと推論の軌跡を大量に集める必要がある。 本稿では,エージェントグラフ推論のブートストラップとしてGraphCertを提案する。
  論文  参考訳（メタデータ） (2026-09-30T02:29:32Z)
• GraphScout: Empowering Large Language Models with Intrinsic Exploration Ability for Agentic Graph Reasoning [46.699075133532595]
  近年のGraph-based Retrieval-Augmented Generation (GraphRAG)法では,知識グラフと大規模言語モデル (LLM) の反復的相互作用を導入し,推論能力を向上させる。 より柔軟なグラフ探索ツールを備えたトレーニング中心のエージェントグラフ推論フレームワークであるGraphScoutを提案する。
  論文  参考訳（メタデータ） (2026-03-02T03:25:40Z)
• What Do LLMs Need to Understand Graphs: A Survey of Parametric Representation of Graphs [69.48708136448694]
  大規模言語モデル(LLM)は、期待される推論能力と推論能力のために、AIコミュニティで再編成されている。 我々は、グラフのこのようなパラメトリック表現、グラフ法則は、LLMがグラフデータを入力として理解させるソリューションであると信じている。
  論文  参考訳（メタデータ） (2024-10-16T00:01:31Z)
• Can Large Language Models Analyze Graphs like Professionals? A Benchmark, Datasets and Models [70.03602551880526]
  グラフを処理するために,大規模言語モデル(LLM)のベンチマークであるProGraphを導入する。 その結果,現在のLCMの性能は不満足であり,最高のモデルでは36%の精度しか達成できないことがわかった。 本研究では,6つの広く使用されているグラフライブラリに基づいて,クローリングされたドキュメントと自動生成コードを含むLLM4Graphデータセットを提案する。
  論文  参考訳（メタデータ） (2024-09-29T11:38:45Z)
• Graph-ToolFormer: To Empower LLMs with Graph Reasoning Ability via Prompt Augmented by ChatGPT [10.879701971582502]
  我々は,複雑なグラフデータに対する推論能力を備えた大規模言語モデル(LLM)の開発を目指している。 最新のChatGPTおよびToolformerモデルに触発された我々は、外部グラフ推論APIツールを使用するために、ChatGPTによって強化されたプロンプトでLLM自体を教えるためのGraph-ToolFormerフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-10T05:25:54Z)
• A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
  知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。 質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
  論文  参考訳（メタデータ） (2022-12-12T08:40:04Z)
• 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。