変化する環境における知識グラフ統合型LLMベースの多段階質問応答

大規模言語モデル（LLM）における情報の急速な陳腐化は、新たな事実を組み込む様々な手法の開発を促してきました。しかし、既存の知識編集手法は、多数の事実更新の中で正確な事実特定と連続した論理的推論を要する多段階質問に依然として困難を抱えています。この課題に対処するため、本論文ではKnowledge Graph（KG）の明示的知識表現とLLMの言語的柔軟性を融合した、シンプルかつ効果的なGraph Memory-based Editing for Large Language Models（GMeLLo）を提案します。GMeLLoは単にLLMを質問応答に利用するだけでなく、自由形式の言語を構造化クエリや事実三重項に変換し、KGとシームレスに連携して迅速な更新と精緻な多段階推論を可能にします。我々の結果は、GMeLLoが多段階質問応答のベンチマークMQuAKEにおいて特に大規模な知識編集シナリオで、従来の最先端知識編集手法を大きく上回ることを示しています。