[論文レビュー] Think Locally, Explain Globally: Graph-Guided LLM Investigations via Local Reasoning and Belief Propagation

Saurabh Jha, Rohan Arora+8 more|arXiv (Cornell University)|Jan 25, 2026

Semantic Web and Ontologies被引用数 0

ひとこと要約

論文は EoG を提案します。局所的推論を LLM で、信念伝搬による決定論的グラフ探索を組み合わせた、グラフ指向調査を可能にする分散型アーキテクチャで、ITBench シナリオにおいて有意な改善を達成します。

ABSTRACT

LLM agents excel when environments are mostly static and the needed information fits in a model's context window, but they often fail in open-ended investigations where explanations must be constructed by iteratively mining evidence from massive, heterogeneous operational data. These investigations exhibit hidden dependency structure: entities interact, signals co-vary, and the importance of a fact may only become clear after other evidence is discovered. Because the context window is bounded, agents must summarize intermediate findings before their significance is known, increasing the risk of discarding key evidence. ReAct-style agents are especially brittle in this regime. Their retrieve-summarize-reason loop makes conclusions sensitive to exploration order and introduces run-to-run non-determinism, producing a reliability gap where Pass-at-k may be high but Majority-at-k remains low. Simply sampling more rollouts or generating longer reasoning traces does not reliably stabilize results, since hypotheses cannot be autonomously checked as new evidence arrives and there is no explicit mechanism for belief bookkeeping and revision. In addition, ReAct entangles semantic reasoning with controller duties such as tool orchestration and state tracking, so execution errors and plan drift degrade reasoning while consuming scarce context. We address these issues by formulating investigation as abductive reasoning over a dependency graph and proposing EoG (Explanations over Graphs), a disaggregated framework in which an LLM performs bounded local evidence mining and labeling (cause vs symptom) while a deterministic controller manages traversal, state, and belief propagation to compute a minimal explanatory frontier. On a representative ITBench diagnostics task, EoG improves both accuracy and run-to-run consistency over ReAct baselines, including a 7x average gain in Majority-at-k entity F1.

研究の動機と目的

• 大規模で異質なデータにおける信頼性のある診断調査の必要性を動機付ける。
• 局所 abductive 推論を決定論的なグラフ探索から分離する分散型アーキテクチャ（EoG）を導入する。
• グラフィカル構造を持つ環境での正確性を高めるアプローチを示す。

提案手法

• LLMs を介した局所 abductive 推論をグラフベースの信念伝搬と分離する EoG アーキテクチャを提案する。
• グラフ探索と信念伝搬を活用して説明を決定論的に伝搬させる。
• 局所推論結果を世界的な説明に統合して信頼性を向上させる方法を実演する。

実験結果

リサーチクエスチョン

• RQ1 LLMs を用いてグラフ構造の環境における故障を、正確性を犠牲にせずにいかに信頼性高く診断できるか？
• RQ2 局所 abductive 推論を決定論的なグラフ推論から分離することで説明品質と堅牢性は向上するか？
• RQ3 グラフ指向の LLM 調査を用いた ITBench 的シナリオでどの程度の性能向上が得られるか？

主な発見

• EoG は ITBench シナリオにおいてベースラインより 7 倍高い Majority@k F1 を達成。
• 局所推論をグラフ探索から分離することは、グラフ構造ドメインにおける説明精度を改善する。
• グラフ指向の調査は固有のグラフィカル構造を持つ領域へ一般化できる。