## 要約：
新しいアルゴリズムにより、知識グラフ上で多hop質問応答が高速かつ正確に行われることが示唆されています。
---
## 翻訳：
複数のステップを必要とする質問に対する回答は、可能な推論パスの組み合わせによって計算効率的に難しくなるため、依然として課題となっています。最近のアプローチでは、エンティティリンクとパスランク付けのために高価な大型言語モデル（LLM）推論が使用されており、実用的な展開を制限しています。また、LLM生成の回答はしばしば構造化された知識に基づいていないという欠点があります。私たちは、効率性と信頼性を両立する2つの補完アルゴリズムを提案します：（1）LLMガイド計画が一回のLLM呼び出しを使用して、幅優先探索を通じて実行される関係シーケンス予測を行い、知識グラフに基づいたすべての回答を確保しながらほぼ完全な精度（マイクロF1 > 0.90）を達成し、（2）埋め込みガイドニューラル検索はテキストとグラフ埋め込みを軽量670万パラメータのエッジスコアラーで統合することで、LLM呼び出しを完全にEliminateし、100倍以上の高速化を達成しながら競争力のある精度を保つことができます。知識蒸留により、プランニング能力を4Bパラメータモデルに圧縮して、APIコストなしでの大規模モデルのパフォーマンスを実現します。MetaQAでの評価では、基づいた推論が非基づいた生成よりも一貫して優れていることが示され、構造化計画は直接的答生成よりもより移転可能性が高いことを証明しています。私たちは、推論時に大きなモデルが必要ないことを示す結果を提出しますが、符号化された知識に基づいた多hop推論は正規表現と学習表現の組み合わせによる適切な構造化偏見が必要であることを示します。
[📰 原文はこちら](https://arxiv.org/abs/2511.19648)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
http://exbridge.jp/xdirect/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
