Grokers：型付きナレッジグラフにおけるボトムアップ帰納的理解と書き込み時インテリジェンス

Grokers：ボトムアップ帰納的理解と書き込み時インテリジェンス

本論文では、依存サブグラフのボトムアップ帰納的トラバーサルを通じて、型付きナレッジグラフの永続的で構造化された理解を構築するアーキテクチャGrokersを紹介する。検索拡張生成（RAG）がクエリごとに完全な理解コストを支払うのに対し、Grokersはインテリジェンスを書き込み時に押し出す。自律的なGrokerエージェントが型付きストリームグラフ内のノードを分析し、制御された言語モデル（LM）呼び出しを介して構造化属性を抽出し、依存関係に沿ってその理解を帰納的に合成し、将来のすべてのクエリに対して追加LMコストゼロでサービスを提供する豊富な型付き属性を書き込む。

本論文では3つの形式的性質を証明する：（1）バイト恒等性定理。トランザクション的に維持された非正規化インデックスから組み立てられたコンテキストブロックは、意味的変化の間でLMターン間でバイト同一であり、KVキャッシュヒット率を100%近くにする。（2）累積単調性定理。制御された知識ライブラリ成長プロトコルの下で、LM呼び出しなしで解決される相互作用の割合は、完了した相互作用の数に対して非減少である。（3）双方向トラバーサル順序定理。トップダウン生成とボトムアップ理解は、依存DAG上のそれぞれのタスクに対する唯一の正しいトラバーサル順序であり、その合成は完全な生成-理解サイクルを閉じる。

さらに、埋め込みベースのセマンティック検索に代わる決定論的手法として、同義語キャッシュプロトコルを提示する。このプロトコルでは、有限語彙ドメインにおいてLMフォールバック率がゼロに収束する。リファレンス実装はオープンソースのQbix/Safebox/Safebotsスタックで提供されている。