不完全な知識グラフでも迷わない：検索で足場を作るLLM推論「ROG」

TL;DR（結論）

• 論文が提案するのは ROG という、検索拡張型の枠組みです。
• 狙いは、埋め込み上で演算子を学習して回すのではなく、クエリに関連する近傍証拠を取りに行き、それを根拠にLLMが段階推論する形へ寄せることです。
• ROGは、まずクエリを「地に足のついた実体と関係」から出発し、論理制約を満たすエンティティ集合を返す問題として扱います。

なぜこの問題か

知識グラフ（KG）は、事実を「関係の三つ組」として蓄え、そこから構造化された推論を可能にします。FreebaseやWordNetのような大規模知識ベースが想起される領域です。ここでの魅力は、単なるキーワード検索ではなく、関係の構造を辿ることで「条件を満たす集合」を返せる点にあります。

核心：何を提案したのか

論文が提案するのは ROG という、検索拡張型の枠組みです。狙いは、埋め込み上で演算子を学習して回すのではなく、クエリに関連する近傍証拠を取りに行き、それを根拠にLLMが段階推論する形へ寄せることです。つまり「学習済み演算子が正しく働くはず」という前提を弱め、都度の検索で“その場の根拠”を用意する方向へ軸足を移します。

続きはログイン/プランで閲覧できます。