TRACE：一貫したマルチホップ知識グラフ質問応答のための体験（エクスペリエンシャル）フレームワーク
arXiv cs.CL / 2026/4/14
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、既存手法に見られる断片的でステップ独立な推論を対象とする、マルチホップ知識グラフ質問応答（KGQA）のための体験（エクスペリエンシャル）フレームワーク「TRACE」を提案する。
- TRACEは、進行していくマルチホップ推論経路を、継続的な文脈追跡のための動的な自然言語ナラティブへ変換することで、意味的な一貫性を維持する。
- 先行する探索の軌跡を再利用可能な「探索プライヤ（exploration priors）」へ蒸留することで、効率と頑健性を向上させる。これらは反復的に現れる関係選択パターンを反映している。
- 二重フィードバックによる再ランキング機構により、文脈ナラティブと探索プライヤを組み合わせて、マルチホップ推論中に考慮すべき関係の選択をより適切に導く。
- 複数のKGQAベンチマークにおける実験では、最先端ベースラインに対して一貫した改善が報告されており、より強い性能と推論の一貫性が示される。
