グラフ、ラージ言語モデル、エージェントの統合：推論と検索

要旨: 生成AI、特に大規模言語モデル（LLM）は、推論、検索、そして構造化された意思決定を強化するために、グラフベースの表現をますます統合するようになっています。急速な進展がある一方で、アプリケーション全体において、いつ、なぜ、どこで、そしてどのようなタイプのグラフ—LLM統合が最も適切なのかについての明確さは依然として限られています。本調査では、グラフとLLMを統合する際の設計上の選択肢を、簡潔で構造化された形で概観します。既存の手法を、その目的（推論、検索、生成、レコメンデーション）、グラフのモダリティ（知識グラフ、シーングラフ、インタラクショングラフ、因果グラフ、依存グラフ）、および統合戦略（プロンプト提示、拡張、学習、またはエージェントベースの利用）に基づいて分類します。サイバーセキュリティ、ヘルスケア、材料科学、金融、ロボティクス、そしてマルチモーダル環境といった領域にまたがる代表的な研究を対応づけることで、各手法の強み、限界、そして最適な適用シナリオを明らかにします。本調査の目的は、タスク要件、データの特性、そして推論の複雑さに応じて、研究者が最も適したグラフ—LLMのアプローチを選択するための実用的な指針を提供することです。