論文の概要: Less but Sufficient: Relation Knowledge Selects Compact Knowledge-Graph Contexts, and What External Checks Can and Cannot Catch

• arxiv url: http://arxiv.org/abs/2611.01733v1
• Date: Sun, 01 Nov 2026 09:31:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.495289
• Title: Less but Sufficient: Relation Knowledge Selects Compact Knowledge-Graph Contexts, and What External Checks Can and Cannot Catch
• Title（参考訳）: より少ないが十分:関係知識は、コンパクトな知識-グラフコンテキストを選択し、外部チェックができることと、キャッチできないことを選ぶ
• Abstract要約: 大規模言語モデル(LLM)は、関連性によってランク付けされた知識グラフの事実を読み取る。 我々の小切手は関係知識を使用し、手書きまたは関係パスにラベル付けされたトレーニング質問から学習する。
• 参考スコア（独自算出の注目度）: 2.86989372262348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) read knowledge-graph facts ranked by relevance, leaving open whether they suffice or conflict. Our checks use relation knowledge, written by hand or learned from training questions labelled with their relation paths. It selects a compact context of facts yielding an answer, and derives it; a derivability check tests whether an answer follows, a consistency check whether facts conflict, and a validation-chosen routing gate decides where the derived answer replaces the LLM's. Seven open LLMs read the compact context better in exact match than relevance-ranked facts; on ComplexWebQuestions (CWQ) they match SubgraphRAG's facts at a quarter of the prompt tokens, and stronger LLMs read SubgraphRAG's better. Where the routing gate passes, ours leads SubgraphRAG's in exact match in all 53 LLM, benchmark and prompt settings. A precision gate, returning the derived answer only when the check passes with exactly one derived entity, answered 18 and 5 percent of held-out WebQSP and CWQ questions in a pre-specified test, right for 90 and 96 percent. The consistency check judges facts by path evidence only where another path joins their entities, true of 2.5 percent of named-entity facts in our compact WebQSP and CWQ contexts.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、関連性によってランク付けされた知識グラフの事実を読み取る。 我々の小切手は関係知識を使用し、手書きまたは関係パスにラベル付けされたトレーニング質問から学習する。 導出性は、回答が従うかどうかをチェックし、整合性は事実が矛盾するかどうかを確認し、バリデーション・チョーゼンのルーティングゲートは、導出された回答がLLMを置き換える場所を決定する。 コンプレックスWebQuestions (CWQ)では、プロンプトトークンの4分の1でSubgraphRAGの事実と一致し、より強力なLLMではSubgraphRAGの精度が向上した。 ルーティングゲートが通過した場所では、ベンチマークとプロンプトの設定で53 LLMでSubgraphRAGの正確な一致を導いた。 正解ゲートは、チェックが正確に1つの派生したエンティティを通過したときにのみ、派生した回答を返すもので、事前に特定されたテストで、保持されたWebQSPとCWQの質問の18と5%を、90と96%で答えた。 整合性チェックは、私たちのコンパクトWebQSPおよびCWQコンテキストにおける名前付き事実の2.5パーセントの真である、他のパスがエンティティに合流する部分のみのパスエビデンスによって事実を判断する。

関連論文リスト

• Bounded Path Context: A Controlled Study of Visible Path History in LLM-Based Knowledge Graph Question Answering [4.528144562342186]
  境界パスコンテキスト(BPC)は、回答抽出と監査のためのシンボルメモリの完全なパスを分離する。 コントロールされた K 上のスイープは、有界歴史がフルヒストリーのプロンプトと一致するか、あるいは超えていることを示している。 4Bスケールでは、K=1は両方のベンチマークで最強の設定である。
  論文  参考訳（メタデータ） (2026-05-26T07:29:04Z)
• Prompting is not Enough: Exploring Knowledge Integration and Controllable Generation [89.65955788873532]
  オープンドメイン質問応答(OpenQA)は自然言語処理(NLP)の基盤である。 我々は,知識統合と制御可能生成を探求し,OpenQAの性能向上を目的としたGenKIという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-26T08:18:33Z)
• Harnessing Large Language Models for Knowledge Graph Question Answering via Adaptive Multi-Aspect Retrieval-Augmentation [81.18701211912779]
  本稿では,KG(Amar)フレームワーク上での適応型マルチアスペクト検索手法を提案する。 この方法は、エンティティ、リレーション、サブグラフを含む知識を検索し、検索した各テキストを即時埋め込みに変換する。 提案手法は2つの共通データセットに対して最先端の性能を達成した。
  論文  参考訳（メタデータ） (2024-12-24T16:38:04Z)
• HOLMES: Hyper-Relational Knowledge Graphs for Multi-hop Question Answering using LLMs [9.559336828884808]
  大規模言語モデル(LLM)は、単純な(シングルホップ)質問に答えるには適しています。 質問の複雑さが増すにつれて、LLMの性能は低下する。 最近の手法では、構造化知識三重項を原文に組み込むことで、この負担を軽減しようとしている。 本稿では,知識グラフ(KG)を用いてコンテキスト認識し,クエリ関連情報を含むように蒸留する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-10T05:22:49Z)
• CheckEmbed: Effective Verification of LLM Solutions to Open-Ended Tasks [14.603394022550864]
  CheckEmbed (CE)は、大規模言語モデル(LLM)の単純でスケーラブルで正確な検証方法である。 CEは、全問合せレベルで、高速でセマンティックにリッチな比較を行い、精度とスケーラビリティの両方において重要な制限を克服します。 実験の結果,CEは閉じたタスクとオープンエンドタスクの両方の幻覚を確実に検出することがわかった。
  論文  参考訳（メタデータ） (2024-06-04T17:42:21Z)
• The Earth is Flat? Unveiling Factual Errors in Large Language Models [89.94270049334479]
  ChatGPTのような大規模言語モデル(LLM)は、事前学習や微調整の知識が豊富にあるため、様々な応用がある。 それにもかかわらず、医療、ジャーナリズム、教育といった重要な分野に懸念を抱き、事実と常識の誤りを引き起こす傾向にある。 LLMにおける事実不正確な事実を明らかにすることを目的とした,新しい自動テストフレームワークであるFactCheckerを紹介する。
  論文  参考訳（メタデータ） (2024-01-01T14:02:27Z)
• Merging Generated and Retrieved Knowledge for Open-Domain QA [72.42262579925911]
  COMBOは、より良いオープンドメインQAフレームワークのための互換性指向の知識の融合である。 COMBOは4つのテスト済みオープンドメインQAベンチマークのうち3つで競合ベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2023-10-22T19:37:06Z)

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。