arXiv:2605.31370v2 cs.AI

하나의 가설로는 충분하지 않다: 지식 그래프 상에서 에이전틱 가설 정제를 통한 가추 추론

One Hypothesis Is Not Enough: Abductive Reasoning with Agentic Hypothesis Refinement over Knowledge Graphs

Yisen Gao, Yixi Cai, Tianshi Zheng, Jiaxin Bai, Yangqiu Song

제출 2026-05-29

한국어 초록

지식 그래프(KG) 상에서의 가추 추론(abductive reasoning)은 해답 집합이 주어진 관찰 엔티티 집합을 설명할 수 있는 1차 논리 가설을 찾는 것을 목표로 합니다. 동일한 관찰을 여러 가설이 설명할 수 있기 때문에, 제어 가능한 가설 생성기들은 엔티티, 관계 또는 논리적 패턴에 따라 생성을 조건화하지만, 생성을 단일 단계로만 처리합니다. 생성된 가설은 형식이 올바르고 주어진 조건을 충족하더라도 관찰을 설명하는 데 실패할 수 있으며, 모델에는 이러한 불일치를 감지하거나 수정하는 메커니즘이 없습니다. 가추 주기를 완성하려면 이산적이고 구조화된 가설을 수정해야 하는데, 대규모 언어 모델(LLM)은 자연어로 쉽게 반복할 수 있음에도 불구하고 이러한 구조적 가설 수정은 안정적으로 수행하지 못합니다. 본 논문에서는 조건 신호를 사용자 의도의 표현뿐만 아니라 생성을 유도하는 연산자로 취급하는 에이전틱 가설 정제 프레임워크인 HypoAgent를 제안합니다. 가설 제안 에이전트(Hypothesis Proposal Agent)는 학습(training)된 소형 생성기를 호출하여 가설을 제안합니다. 이후 근본 원인 분석(Root-cause analysis)은 조각 수준의 커버리지를 활용해 검사할 가치가 있는 브랜치를 찾아내고 학습 그래프에서 이웃 증거를 수집합니다. 가설 정제 에이전트(Hypothesis Refiner Agent)는 이러한 진단 결과와 이전에 생성된 가설들을 결합하여 업데이트된 조건과 직접 수정된 가설을 생성합니다. HypoAgent는 BioKG, PharmKG8k, DBpedia50의 싱글턴 및 멀티턴 설정뿐만 아니라 DBpedia50의 무조건(unconditional) 설정에서도 원샷(one-shot) 생성을 능가하는 성능을 보입니다. 코드는 https://github.com/HKUST-KnowComp/HypoAgent 에서 확인할 수 있습니다.

원문 초록

Abductive reasoning over knowledge graphs (KGs) seeks a first-order logic hypothesis whose answer set explains a given set of observed entities. Since many hypotheses can explain the same observations, controllable hypothesis generators condition generation on entities, relations, or logical patterns, but they treat generation as a single step. A generated hypothesis may be well-formed and satisfy the given conditions yet still fail to explain the observations, and the model has no mechanism to detect or correct this mismatch. Closing the abductive cycle requires revising a discrete, structured hypothesis, which large language models cannot do reliably, even though they iterate readily in natural language. We propose HypoAgent, an agentic hypothesis refinement framework that treats condition signals not only as expressions of user intent but also as operators that steer generation. A Hypothesis Proposal Agent calls a small trained generator to propose a hypothesis. Root-cause analysis then uses fragment-level coverage to locate branches worth inspecting and gathers neighborhood evidence from the training graph. A Hypothesis Refiner Agent combines this diagnosis with previously generated hypotheses to produce updated conditions and directly revised hypotheses. HypoAgent outperforms one-shot generation in single-turn and multi-turn settings on BioKG, PharmKG8k, and DBpedia50, and in the unconditional setting on DBpedia50. Our code is available at https://github.com/HKUST-KnowComp/HypoAgent.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2605.31370v2

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.22571v1cs.AI공통 태그 Knowledge Graphs, agentic reasoning

SCAIR: 기업 지식 그래프를 위한 스키마 조건 에이전트 반복 추론

SCAIR: Schema-Conditioned Agentic Iterative Reasoning for Enterprise Knowledge Graphs

지식 그래프 기반 검색-증강 생성(KG-RAG)은 구조화된 기업 지식과의 자연어 상호작용을 가능하게 하지만, 공개 벤치마크에서 우수한 성능을 보이는 기존 에이전트 접근법은 밀집적이고 스키마 중심이며 운영상 제약이 있는 실제 기업 지식 그래프(KG)로 일반화하는 데 자주 실패한다. 이러한 한계를 해결하기 위해, 우리는 스키마 조건 구조적 사전 지식을 주입하고 다중 홉 추론 동안 스키마 인식 탐색을 강제함으로써 구조화된 계획과 제어된 반복 추론을 통합하는 학습 없는 프레임워크인 SCAIR(Schema-Conditioned Agentic Iterative Reasoning)을 제안한다. 실제 구성 관리 데이터베이스(CMDB)로부터 구축된 기업 지향 벤치마크에서의 실험은 SCAIR이 기존 KG-RAG 방법 대비 성능을 크게 향상시킴을 보여준다. 중요하게도, 본 연구는 신뢰할 수 있는 기업 그래프 추론이 범용적인 에이전트 설계에 의존할 수 없으며, 대신 추론 과정에 대상 도메인의 구조적·운영적 제약을 명시적으로 통합해야 함을 강조한다. 우리는 에이전트 설계를 비즈니스 로직에 정렬함으로써 비용이 큰 모델 재학습 없이도 상당한 성능 향상을 달성할 수 있음을 보여준다.

arXiv:2606.18557v1cs.AI공통 태그 Knowledge Graphs, abductive reasoning

DeFAb: 파운데이션 모델에서의 번복 가능한 가역(Defeasible Abduction)을 위한 검증 가능한 벤치마크

DeFAb: A Verifiable Benchmark for Defeasible Abduction in Foundation Models

규칙 기반 논리 솔버는 100% 정확도로 50마이크로초 이내에 우리 벤치마크의 모든 인스턴스를 해결합니다. 반면 최첨단 언어 모델은 최대 65%에 달하지만 렌더링 강건 평가(rendering-robust evaluation, 네 가지 표면 렌더링 중 최악의 경우)에서는 23.5%로 떨어집니다. 우리는 DeFAb(Defeasible Abduction Benchmark)를 소개합니다. 이는 40년간의 공적 자금 지원 지식 베이스를 번복 가능한 가역(Defeasible Abduction)을 위한 형식적으로 기반한 인스턴스로 변환하는 데이터셋 및 생성 파이프라인입니다. 번복 가능한 가역이란 무관한 기대를 보존하면서 기본값(defaults)을 무시하여 변칙 현상을 설명하는 가설을 구성하는 것입니다. 모든 가설은 유효한 도출, 보수성(conservativity), 최소성(minimality)에 대한 다항 시간 검사를 통과해야 하므로, DeFAb는 논리적 엄밀함을 창의성과 이론적 추론을 측정하는 도구로 만듭니다. 즉, 유창하지만 이론을 파괴하는 산문이 아니라 이론 수정의 규율 있는 구성을 점수화합니다. 이 파이프라인은 분류 체계(taxonomic hierarchies, OpenCyc, YAGO, Wikidata)와 행동 속성 그래프(behavioral property graphs, ConceptNet, UMLS)를 결합하여 18개 소스의 3375만 개 구체화된 규칙(materialized rules)에 걸쳐 372,648개 이상의 인스턴스를 생성하며, 다항 시간 검증 가능한 골드 스탠다드를 포함하는 세 가지 수준으로 구성됩니다. 4개의 최첨단 모델은 번복 가능한 추론(defeasible reasoning)을 안정적으로 내면화하지 못합니다. 렌더링 강건 평가 레벨 2 정확도는 7.8-23.5%이며, 사고의 연쇄(Chain-of-Thought) 분산(~36pp)은 모델 간 격차보다 큽니다. 또한 일치된 오염 통제(matched contamination control)는 +19.4pp의 레벨 3 격차를 분리해 냅니다. 또한 DeFAb-Hard(235개 인스턴스의 레벨 3 난이도 변형; 최상위 모델 53.3% 대 기호적(symbolic) 100%)과 CONJURE(증명 커널(proof kernel)이 이전에 포함하지 않았던 정의를 정답으로 하는 560개 Lean 4/Mathlib 인스턴스의 커널 검증(kernel-verified) 변혁적 창의성(transformative-creativity) 변형; 판사 없는 검증기(judge-free verifier); 파일럿에서 새로운 개념 0개 발견)을 공개합니다. 동일한 검증기는 선호도 최적화(preference optimization, DPO, RLVR/GRPO)를 위한 정확한 보상(reward)으로도 사용됩니다. MIT 라이선스 하에 https://huggingface.co/datasets/PatrickAllenCooper/DeFAb에서 공개되었습니다.

arXiv:2610.00224v2cs.AI공통 태그 Knowledge Graphs

Build2SPARQL: 빌딩 지식 그래프 쿼리를 위한 대규모 Text-to-SPARQL 벤치마크 데이터셋

Build2SPARQL: A Large-Scale Text-to-SPARQL Benchmark Dataset for Building Knowledge Graph Querying

빌딩 자동화 시스템은 Brick 및 ASHRAE 223P와 같은 온톨로지를 사용하는 시맨틱 지식 그래프(KG)로 점점 더 많이 표현되고 있으며, 이는 인공지능 응용을 위한 기계 판독 가능한 기반을 형성합니다. 유망한 응용 분야 중 하나는 자연어 질문을 SPARQL로 변환하는 Text-to-SPARQL로, 빌딩 관리자가 언어 에이전트를 통해 이러한 그래프를 쿼리할 수 있게 해주지만 대규모 자연어/SPARQL 벤치마크의 부족으로 발전이 제한되고 있습니다. 본 논문에서는 지식 그래프 기반(KG-grounded) 파이프라인으로 생성된 빌딩 지식 그래프용 대규모 벤치마크인 Build2SPARQL을 제시합니다. 이 파이프라인은 SPARQL 쿼리를 전적으로 그래프 순회 코드로 생성 및 검증하는 반면, 대규모 언어 모델(LLM)은 자연어 질문만을 생성하도록 하여 쿼리의 정확성을 모델의 동작과 독립적으로 유지합니다. 해당 파이프라인은 선형 체인, 분기, UNION, 집계, OPTIONAL, 속성 필터링의 6가지 쿼리 패턴 패밀리를 추출하며, 각 쿼리를 5가지 어휘 레지스터에 걸쳐 표현합니다. 201개의 빌딩 지식 그래프(Brick 180개, ASHRAE 223P 21개)에 적용하여 6,136개의 실행 가능한 SPARQL 쿼리와 30,680개의 질문을 도출했습니다. 300개 질문에 대한 2인 평가자 인적 검증 결과 98.8%의 시맨틱 충실도, 98.8%의 자연스러움, 84.0%의 운영 타당성을 확인했습니다. 3개의 공개 가중치(open-weight) 언어 모델에 걸친 검색-증강 평가에서는 완전 일치(exact-match) 정확도가 0.2~20%(제로샷)에서 56~65%(3샷 검색)로 향상되었습니다.

arXiv:2607.10456v2stat.ML공통 태그 Knowledge Graphs

확장 가능한 인과 발견을 위한 배경 지식 통합

Integrating Background Knowledge for Scalable Causal Discovery

전문가 배경 지식은 인과 발견(causal discovery)의 실제 응용에서 종종 활용 가능하다. 실제 인과 그래프에 대한 이러한 제약 조건은 인과 효과의 식별 가능성과 학습된 구조의 정확도 측면에서 인과 발견에 도움이 될 뿐만 아니라, 후보 인과 그래프의 탐색 공간을 줄이는 데에도 기여한다. 인과 발견은 변수의 수가 많아질수록 계산 비용이 크게 증가할 수 있으므로, 인과 발견 과정에서 배경 지식을 효과적으로 활용하는 것이 중요하다. 그러나 현재 대부분의 방법들은 학습된 그래프를 정제하기 위해 인과 발견 이후의 후처리 단계에서만 배경 지식을 활용한다. 본 연구에서는 인과 발견 과정에서 배경 지식을 활용하는 프레임워크를 개발하며, 특히 전체 그래프의 일부만을 복원하는 확장 가능한 인과 발견 방법에 초점을 맞춘다. 우리는 여러 알고리즘에 대해 이 프레임워크를 구현하고, 배경 지식 활용이 계산 요구량을 줄이고 학습된 구조의 품질을 향상시킬 수 있음을 실험적으로 보인다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.