論文の概要: Clearing the FoG: Training KG Agents to Retrieve the Evidence Behind Their Answers

• arxiv url: http://arxiv.org/abs/2610.37405v1
• Date: Tue, 27 Oct 2026 15:20:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.675368
• Title: Clearing the FoG: Training KG Agents to Retrieve the Evidence Behind Their Answers
• Title（参考訳）: FoGをクリアする:KGエージェントを訓練して、彼らの答えの裏側にある証拠を検索する
• Abstract要約: 提案するFoGは,エージェントに対して,その答の裏側にある証拠を回収するよう指示するフレームワークである。 3つのKGQAベンチマークの実験により、FoGは3B--4Bオープンソースエージェントが解答精度とエビデンスカバレッジにおいて、はるかに大きなベースラインを上回り得ることを示した。
• 参考スコア（独自算出の注目度）: 13.759137262792626
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) can answer many factual questions correctly, but a correct answer is not necessarily a supported one. For an LLM agent, a knowledge graph (KG) plays two roles: as a source of answers, it supplies facts that the model lacks; as a source of evidence, it supplies the supporting triples that make an answer traceable and auditable. However, existing KG agents treat the KG only as a source of answers: their training data carries answers but not evidence, and their training rewards check the answer but not the retrieved evidence, so agents often answer correctly without retrieving the supporting triples. We propose FoG, a framework that trains KG agents to retrieve the evidence behind their answers. FoG consists of evidence-grounded synthesis, a KG interaction agent, and an evidence-coverage process reward (ECPR): the synthesis recursively hides explicit entities behind verifiable sub-questions, so that every question carries its supporting triples by construction; the agent records the triples returned by the KG; and ECPR credits each supporting triple to the turn that first retrieves it. Experiments on three KGQA benchmarks demonstrate that FoG enables 3B--4B open-source agents to outperform substantially larger baselines in answer accuracy and evidence coverage, with zero-shot cross-KG transfer.
• Abstract（参考訳）: 大規模言語モデル(LLM)は多くの事実的質問に正しく答えることができるが、正しい答えは必ずしもサポートされているものではない。 LLMエージェントでは、知識グラフ(KG)が2つの役割を演じる: 答えの源として、モデルに欠けている事実を提供する; 証拠の源泉として、答えをトレース可能で監査可能な3つ組を提供する。 しかし、既存のKGエージェントはKGを答えの源として扱い、彼らのトレーニングデータは答えを伝達するが証拠は持たない。 筆者らは,KGエージェントに回答の裏側にある証拠を回収するよう訓練するフレームワークであるFoGを提案する。 FoGは、エビデンス基底の合成、KG相互作用剤、エビデンス被覆プロセス報酬(ECPR)で構成されており、この合成は検証可能なサブクエストの裏側に再帰的に明示的な実体を隠し、すべての質問が構築によって支持されるトリプルを担い、エージェントはKGによって返されるトリプルを記録し、ECPRは各トリプルを最初に取り出すターンにそれぞれ支持するトリプルをクレジットする。 3つのKGQAベンチマークの実験により、FoGは3B--4Bのオープンソースエージェントが解答精度とエビデンスカバレッジにおいて、ゼロショットのクロスKG転送でかなり大きなベースラインを上回り得ることを示した。

関連論文リスト

• When and How Should an Agent Clarify? CIGAsk: Teaching LLMs to Clarify via Counterfactual Information Gain [73.2163413577971]
  そこで本研究では,回答よりも質問するタイミングと,不明瞭な情報を回復する質問を行う方法という,2つのスキルを教えるレシピを提案する。 不斉あいまいさボーナスは、金のあいまいさラベルに基づいて署名された報酬を端末トークンに割り当て、いつ尋ねるかを案内する。 また、データ単位のチューニングなしでデータセット間で転送し、アウト・オブ・ディストリビューションのベンチマークでシングルターンのQAパフォーマンスを保存する。
  論文  参考訳（メタデータ） (2026-09-21T08:47:39Z)
• Theseus in the Graph: Towards Traceable Multi-Hop Graph Navigation [11.103813686369685]
  マルチホップ知識グラフ質問 回答タスクは、自然言語の質問に答えるために、KG内の経路に沿って関係証拠を組み立てるモデルを必要とする。 質問条件付きグラフナビゲーション問題としてマルチホップKGQAを再設定する。 この設定では、エージェントは、KG、質問、トピックエンティティを受信し、回答に対する一連の関係をトラバースし、推論経路を明示する。
  論文  参考訳（メタデータ） (2026-09-13T14:06:43Z)
• Repair Before Reinforce: Context-Augmented Knowledge Graph Reasoning for Multi-Hop Question Answering [4.464939140209426]
  マルチホップ質問応答のための文脈拡張学習フレームワークを提案する。 一般に当てはまるが、病原性知識グラフの文脈において、この枠組みを検証する。 両疾患とも、コンテキスト強化された管理は、KGのみの監督よりもマルチホップ性能を一貫して改善する。
  論文  参考訳（メタデータ） (2026-09-10T21:39:11Z)
• PathISE: Learning Informative Path Supervision for Knowledge Graph Question Answering [35.58843209572786]
  回答レベルラベルから高品質な中間監視を学習するための新しいフレームワークPathISEを提案する。 3つのKGQAベンチマークの大規模な実験は、PathISEが競争力または最先端のKGQA性能を達成することを示している。
  論文  参考訳（メタデータ） (2026-05-11T16:21:47Z)
• VeriCite: Towards Reliable Citations in Retrieval-Augmented Generation via Rigorous Verification [107.75781898355562]
  証拠を厳格に検証し,回答の帰属性を高めるために設計された,VeriCiteと呼ばれる新しいフレームワークを紹介する。 我々は,5つのオープンソースLCMと4つのデータセットを対象とした実験を行い,VeriCiteが回答の正しさを維持しつつ,引用品質を大幅に向上できることを実証した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:54Z)
• Evidence-Enhanced Triplet Generation Framework for Hallucination Alleviation in Generative Question Answering [41.990482015732574]
  本稿では,三重項(クエスト,エビデンス,アンスワー)の組合せを予測するための新しいエビデンス強化三重項生成フレームワークであるEATQAを提案する。 推測段階における証拠から知識を抽出するために,分布ギャップを橋渡しする。 我々のフレームワークは,クエリとエビデンスと応答の間の論理的関係を学習し,同時にエビデンス生成とクエリ応答を改善する。
  論文  参考訳（メタデータ） (2024-08-27T13:07:07Z)
• TRACE the Evidence: Constructing Knowledge-Grounded Reasoning Chains for Retrieval-Augmented Generation [30.485127201645437]
  本稿では,RAGモデルのマルチホップ推論能力を高めるためにTRACEを提案する。 TRACEは、論理的に連結された一連の知識三重項である知識基底推論連鎖を構成する。 TRACEは、取得したすべてのドキュメントと比較して、平均14.03%の性能向上を実現している。
  論文  参考訳（メタデータ） (2024-06-17T12:23:32Z)
• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
  我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• Exploiting Reasoning Chains for Multi-hop Science Question Answering [51.86289192292466]
  我々のフレームワークは、コーパス固有のアノテーションを必要とせずに説明可能な推論を行うことができる。 ローカルチェーン情報とグローバルチェーン情報の両方に関するTextitChain対応の損失は、生成されたチェーンが遠隔監視信号として機能するようにも設計されている。
  論文  参考訳（メタデータ） (2021-09-07T07:22:07Z)

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。