AgentGL：強化学習によるLLMを用いたエージェンティック・グラフ学習へのアプローチ
arXiv cs.CL / 2026/4/8
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、LLMベースのエージェントが現実世界のグラフデータを学習・推論する方法を再定義する Agentic Graph Learning（AGL）を提案し、外部情報を非構造のテキストとして扱うのではなく、グラフトポロジーを明示的に活用する点に焦点を当てる。
- AgentGLは、AGLのための初めての強化学習駆動フレームワークとして位置づけられ、グラフネイティブな探索ツールとLLMエージェントを組み合わせ、トポロジーを意識したナビゲーションと推論を実現する。
- AgentGLは「検索制約付きの思考（search-constrained thinking）」を用いてツール利用を制御し、多段の長期ホライズンにわたる意思決定を行う際に、正確性と効率のバランスを取ることを目指す。
- 本手法では、ステップごとの教師信号に依存せず、長期ホライズンの方策学習を安定化するために、グラフ条件付きカリキュラムRL戦略を採用する。
- 複数のLLMバックボーンにまたがるText-Attributed Graph（TAG）ベンチマークでの実験により、大きな改善が示される。ノード分類で最大17.5%の絶対的向上、リンク予測で最大28.4%の絶対的向上が得られ、加えて公開コードも提供されている。
