論文の概要: RAHC: Rule-Augmented Hyper-Relational Knowledge Graph Completion for Materials Synthesis
- arxiv url: http://arxiv.org/abs/2611.04809v1
- Date: Tue, 03 Nov 2026 12:42:06 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:44:47.80884
- Title: RAHC: Rule-Augmented Hyper-Relational Knowledge Graph Completion for Materials Synthesis
- Title（参考訳）: RAHC:規則強化ハイパーリレーショナル知識グラフによる材料合成
- Abstract要約: 材料合成において、不足状態の回復には、対象物質と特定の実験の観察された文脈について推論する必要がある。
本稿では,単一スロットと共同マルチスロット合成条件を満たすためのルール拡張HKGフレームワークであるRAHCを提案する。
RAHCは、トレーニングレコードと検索された文献からトレース可能なルールカタログを構築し、クエリ候補ペアごとにルールを取得し、グラフ構造とルールエビデンスを別々にエンコードする。
- 参考スコア（独自算出の注目度）: 9.983357318349894
- License:
- Abstract: Scientific discovery depends on reusing experimental knowledge, yet records scattered across papers and repositories are often incomplete. In materials synthesis, recovering missing conditions requires reasoning about the target material and the observed context of a specific experiment. Hyper-relational knowledge graphs (HKGs) represent this context through qualifiers, but existing completion methods leave domain knowledge and experimental regularities implicit. We propose RAHC, a rule-augmented HKG framework for single-slot and joint multi-slot synthesis-condition completion. RAHC builds a traceable rule catalog from training records and retrieved literature, retrieves rules for each query-candidate pair, and separately encodes graph structure and rule evidence. Hard rules constrain candidate validity, while soft rules guide ranking. RAHC-G aggregates rules using global reliability; RAHC-Q additionally learns query-specific relevance. Gated fusion combines structural and rule representations, while tuple-conclusion rules provide cross-condition evidence for joint completion. Experiments on five materials-synthesis datasets show improvements in single-slot and joint completion under Semi-inductive and Open-Answer Inductive settings, with Semi-inductive MRR gains of up to 15.6% over MAYPL. RAHC also improves performance on the entity-disjoint ILPC'22 Small benchmark, supporting transfer to fully inductive KG completion. These results support experimental condition selection, synthesis planning, and the reuse of scientific knowledge.
- Abstract（参考訳）: 科学的発見は実験的な知識の再利用に依存するが、論文やリポジトリに散在する記録はしばしば不完全である。
材料合成において、不足状態の回復には、対象物質と特定の実験の観察された文脈について推論する必要がある。
ハイパーリレーショナル・ナレッジグラフ(HKG)は、この文脈を修飾子を通して表現するが、既存の完成法はドメイン知識と実験正則性を暗黙的に残す。
本稿では,単一スロットと共同マルチスロット合成条件を満たすためのルール拡張HKGフレームワークであるRAHCを提案する。
RAHCは、トレーニングレコードと検索された文献からトレース可能なルールカタログを構築し、クエリ候補ペアごとにルールを取得し、グラフ構造とルールエビデンスを別々にエンコードする。
ハードルールは候補の妥当性を制限し、ソフトルールはランキングをガイドする。
RAHC-Gはグローバルな信頼性を使ってルールを集約し、RAHC-Qはクエリ固有の関連性も学習する。
ゲーテッド融合は構造的および規則的表現を結合し、タプル・コンクルージョン・ルールは共同完了の条件間証拠を提供する。
5つの材料合成データセットの実験では、セミインダクティブおよびオープンアンダクタインダクティブ設定下でのシングルスロットとジョイントコンプリートの改善が示され、セミインダクティブMRRはMAYPLよりも最大15.6%向上した。
RAHCはまた、エンティティ非結合のILPC'22 Smallベンチマークのパフォーマンスを改善し、完全に帰納的なKGコンプリートへの転送をサポートする。
これらの結果は、実験条件の選択、合成計画、科学知識の再利用を支援する。
関連論文リスト
- MIRAGE: Defending Long-Form RAG Against Misinformation Pollution [87.40537931342082]
我々は、長期RAGのためのトレーニング不要でモデルに依存しない防御システムであるMIRAGEを紹介した。
MIRAGEはNLIベースのクロスドキュメントクレームグラフを構築し、一貫性のあるマルチソースサポートサブセットの条件生成や、検索とパラメトリック応答のブロックにDefended-Claims Gateを適用している。
論文 参考訳（メタデータ） (2026-07-06T13:36:12Z) - RAGA: Reading-And-Graph-building-Agent for Autonomous Knowledge Graph Construction and Retrieval-Augmented Generation [1.7016397531234393]
RAGA(Reading And Graph-building Agent)は、自律的な知識グラフの構築と検索のためのフレームワークである。
完全なKGライフサイクルCRUD操作を提供し、Read-Search-Verify-Verify認知制約をReActツールループに埋め込む。
QASPERの科学QAデータセットのサブセットに関する予備実験は、RAGAの融合検索がゼロショットベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2026-05-16T16:42:50Z) - Align Documents to Questions: Question-Oriented Document Rewriting for Retrieval-Augmented Generation [51.55755193937205]
提案するQREAMは,検索した文書を事実を保存しながら質問指向のスタイルで整列するスタイル制御リライタである。
本フレームワークは,(1) 反復的書き換え探索にスタイリスティックシードを用いたQREAM-ICL,(2) ICL出力から抽出した軽量学生モデルQREAM-FTの2段階からなる。
論文 参考訳（メタデータ） (2026-04-19T08:39:21Z) - From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG [8.449978933501965]
本稿では,参照資料を構造化知識グラフに整理するグラフ検索拡張生成(GraphRAG)フレームワークを提案する。
提案手法では,高忠実度グラフ構築のためのMicrosoft GraphRAGとHippoRAGニューロシンボリックアルゴリズムの2相パイプラインを用いる。
論文 参考訳（メタデータ） (2026-02-28T04:44:06Z) - SciRAG: Adaptive, Citation-Aware, and Outline-Guided Retrieval and Synthesis for Scientific Literature [52.36039386997026]
我々は科学文献探索のためのオープンソースのフレームワークであるSciRAGを紹介する。
1) 逐次的証拠収集と並列的証拠収集を柔軟に交互に交互に行う適応的検索,(2) 引用グラフを利用して文書を整理・フィルタリングする引用型記号推論,(3) 整合性と透過的帰属性を確保するために回答を計画・批評・洗練するアウトライン誘導合成,である。
論文 参考訳（メタデータ） (2025-11-18T11:09:19Z) - Hierarchical Sequence Iteration for Heterogeneous Question Answering [27.22775290181187]
本稿では,文書,表,知識グラフを可逆的階層列に線形化する統一フレームワークであるHSEQを紹介する。
HotpotQA(テキスト)、HybridQA/TAT-QA(テーブル+テキスト)、MetaQA(KG)の実験では、強いシングルパス、マルチホップ、エージェントRAGベースラインを高い効率で一貫したEM/F1が得られた。
論文 参考訳（メタデータ） (2025-10-23T12:48:18Z) - Exam Readiness Index (ERI): A Theoretical Framework for a Composite, Explainable Index [0.0]
ERIは、マスター(M)、カバー(C)、保持(R)、ペース(P)、ボラティリティ(V)、耐久(E)の6つの信号を集約する。
我々は成分写像と合成の公理を定式化し、単調性、リプシッツ安定性、およびブループリント再重み付けによる有界ドリフトを証明した。
さらに、ブループリント重み付き濃度による信頼バンドの特徴付けを行い、前提条件を満たすキュリキュラとの整合性を証明した。
論文 参考訳（メタデータ） (2025-08-31T06:56:59Z) - KG-Infused RAG: Augmenting Corpus-Based RAG with External Knowledge Graphs [58.12674907593879]
KG-Infused RAGは、既存の大規模知識グラフをRAGに組み込むフレームワークである。
KG-Infused RAGは、関連する構造化知識を取得するために、外部KG上での拡散活性化を直接実行する。
実験の結果、KG-Infused RAGはバニラRAGより一貫して優れていた。
論文 参考訳（メタデータ） (2025-06-11T09:20:02Z) - Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。
次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。
ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
論文 参考訳（メタデータ） (2025-06-06T10:07:21Z) - KAQG: A Knowledge-Graph-Enhanced RAG for Difficulty-Controlled Question Generation [0.0]
本研究は知識強化質問生成(KAQG)を紹介する。
項目応答理論(IRT)、ブルームの分類学、知識グラフをマルチエージェント検索拡張生成システムに統合する。
提案手法は, 項目難易度, 心理測定校正, 認知アライメントのきめ細かい制御を可能にすることによって, 既存の手法の限界を克服する。
論文 参考訳（メタデータ） (2025-05-12T14:42:19Z) - Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。
我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。
実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2023-11-02T17:26:49Z)
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。