GRAIL：検索拡張推論のための大規模知識グラフとの相互作用を学ぶ

大規模言語モデル（LLM）に検索拡張生成（RAG）技術を統合したアプローチは、広範な分野において優れた性能を発揮している。しかし、従来のRAG手法は主に非構造化データを対象としており、知識グラフのような構造化知識の処理能力には限界がある。一方、現在のグラフ検索手法は、グラフ全体の構造を適切に捉えることが根本的に困難であり、同時に精度の制御にも課題を抱えており、重要な情報の欠落や過剰な冗長な接続といった問題が生じる。これらは一貫して推論性能を低下させる要因となっている。本研究では、大規模グラフとの相互作用を可能とする検索拡張型推論を実現するため、GRAIL（Graph-Retrieval Augmented Interactive Learning）というフレームワークを提案する。具体的には、LLMに導かれたランダム探索と経路フィルタリングを統合し、各タスクに対して細粒度の推論経路を自動生成するデータ合成パイプラインを構築する。得られた合成データを基に、推論ステップごとに最適な行動を動的に決定する方策を学習するための二段階訓練プロセスを採用する。本手法では、グラフ検索における精度と簡潔性のバランスという全体的な目的を、細粒度のプロセス監視報酬に分解することで、データ効率性と訓練の安定性を向上させる。実運用では、GRAILはインタラクティブな検索パラダイムを採用し、モデルがグラフ経路を自律的に探索しつつ、検索の幅と精度のバランスを動的に調整可能となる。広範な実験の結果、GRAILは3つの知識グラフ質問応答データセットにおいて、平均正解率で21.01%、F1スコアで22.43%の向上を達成した。本研究のソースコードおよびデータセットは、以下のURLから公開されている。 https://example.com/grail