GS-Quant：知識グラフ補完のための粒度の高い意味的・生成的構造量子化

arXiv cs.AI / 2026/4/25

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、知識グラフ補完に向けて、連続的なグラフ埋め込みとLLMの離散トークン表現をつなぐフレームワーク「GS-Quant」を提案する。
従来の数値圧縮型の量子化が意味の整合性を損ねがちであるのに対し、GS-Quantは意味的に整合したうえで構造的に階層化された離散コードを生成する。
GS-Quantは粒度の高い意味的強化モジュールを用いて、人間の推論に対応する「粗から細へ」の階層的知識をコード化し、前半のコードが大域的カテゴリを捉え、後半で属性をより詳細に洗練する。
さらに生成的構造復元モジュールによりコード列に因果的な依存関係を課し、独立した離散単位を構造化された意味記述へと変換する。
実験では、GS-Quantが既存のテキストベースおよび埋め込みベースのベースラインを大幅に上回り、著者はGitHubでコードを公開している。