大規模言語モデル（LLM）は、生成した命題が参照文書によって実際に含意されているかどうかを明示的に検証するのではなく、分布的に尤もらしい続きを生成するように最適化されている。この帰納的バイアスは汎化を可能にする一方で、応答が参照情報に対して根拠づけられているかどうかという情報を符号化してはいない。そのため、臨床意思決定支援のように厳密な事実的正確性が求められる領域では、LLM の利用が制限される。
この課題に対して、Paul Landes 氏ら4名の著者は2026年5月21日に arXiv へ論文「Graph Alignment Topology as an Inductive Bias for Grounding Detection」を投稿した。既存の幻覚（ハルシネーション）検出手法は、検索拡張、自己一貫性、主張検証などを通じて事実性を改善してきたが、一般にアラインメントのトポロジーそのものから直接学習するものではない、と著者らは指摘する。
提案手法の中心は、参照情報と LLM の出力との間にアラインされた二部グラフを構築し、メッセージパッシングを用いてアラインメント構造をモデル化するグラフニューラルネットワーク（GNN）を訓練する点にある。これにより、アラインメントのトポロジーが帰納的バイアスとして検出モデルに組み込まれ、テキスト表面の類似度や外部検索結果だけに依存しない構造的な手がかりを学習できる。
著者らによれば、本手法は4つの多様な幻覚検出・質問応答データセットで最先端の結果を達成し、GPT-4o を含む比較対象のすべての手法を上回った。論文は計算と言語（cs.CL）および人工知能（cs.AI）に分類され、番号は arXiv:2605.22963、DOI は 10.5450/arXiv.2605.22963、バージョンは v1、投稿日時は2026年5月21日 18:49:32 UTC、全文は約651 KBである。
なお、本稿の元情報は arXiv の告知ページであり、タイトル、要約、分類、投稿履歴、閲覧リンクなどのメタデータが中心で、実験設定やデータセットの詳細、アブレーション分析は示されていない。したがって上記の性能に関する記述は著者の要約に基づくものであり、評価プロトコルやベースライン構成、領域間の汎化性能については論文全文での確認が必要である。