## 要約：
新しいアルゴリズムは、知識グラフ上の計算的に困難な多hop質問への回答を高速かつ正確に行います。
---
## 翻訳：
多hop質問に対する知識グラフでの回答は、可能な推論パスの指数的増加により計算上難しいです。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リングのために高価な大規模言語モデル（LLM）の推論を両方ともに依存しており、その実用的な展開は制限されています。さらに、LLM生成の回答は構造化された知識の中核性が確認できません。私たちは効率と確認可能性に対応する2つの補完的ハイブリッドアルゴリズムを提示します：（1）LLMガイド計画は単一の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を予測し、知識グラフに根ざしたすべての回答により微小F1値が0.90を超えつつほぼ完全な精度を達成します。（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評価器を通じて統合することでLLM呼び出しを完全に廃止し、競合他社との比較において正確性と共に対100倍以上の速さを達成します。知識蒸留により、計画能力は4Bパラメータモデルに圧縮され、APIコストなしで大型モデルのパフォーマンスと匹敵します。MetaQAでの評価では、根ざした推論が不根ざし生成より優れていることを示すとともに、構造化計画が直接回答生成よりも移転可能性が高いことが証明されています。私たちの結果は、推論時に大量モデルが必要ないことを示しており、適切なアーキテクチャ的入力偏りを組み合わせることでシンボリックな構造と学習表現が結合されることです。
[📰 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。
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。
