論文の概要: Insights from an OTTR-centric Ontology Engineering Methodology

• arxiv url: http://arxiv.org/abs/2309.13130v1
• Date: Fri, 22 Sep 2023 18:31:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 22:04:27.274541
• Title: Insights from an OTTR-centric Ontology Engineering Methodology
• Title（参考訳）: OTTR中心のオントロジー工学方法論からの洞察
• Authors: Moritz Blum, Basil Ell, Philipp Cimiano
• Abstract要約: OTTRは、OTTモデリングパターンを表現するための言語であり、テンプレートをインスタンス化することで、OTTナレッジベースを構築することができる。 本稿では,物質科学分野の工学的活動から得られた方法論と報告について概説する。 特に,OTTRテンプレートはドメインの専門家とのコミュニケーション手段として特に有用であることがわかった。
• 参考スコア（独自算出の注目度）: 3.1921092049934647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: OTTR is a language for representing ontology modeling patterns, which enables to build ontologies or knowledge bases by instantiating templates. Thereby, particularities of the ontological representation language are hidden from the domain experts, and it enables ontology engineers to, to some extent, separate the processes of deciding about what information to model from deciding about how to model the information, e.g., which design patterns to use. Certain decisions can thus be postponed for the benefit of focusing on one of these processes. To date, only few works on ontology engineering where ontology templates are applied are described in the literature. In this paper, we outline our methodology and report findings from our ontology engineering activities in the domain of Material Science. In these activities, OTTR templates play a key role. Our ontology engineering process is bottom-up, as we begin modeling activities from existing data that is then, via templates, fed into a knowledge graph, and it is top-down, as we first focus on which data to model and postpone the decision of how to model the data. We find, among other things, that OTTR templates are especially useful as a means of communication with domain experts. Furthermore, we find that because OTTR templates encapsulate modeling decisions, the engineering process becomes flexible, meaning that design decisions can be changed at little cost.
• Abstract（参考訳）: OTTRはオントロジーモデリングパターンを表現するための言語で、テンプレートをインスタンス化することでオントロジーや知識ベースを構築することができる。 これにより、オントロジ表現言語の特異性はドメインの専門家から隠蔽され、オントロジエンジニアは、モデルする情報を決定するプロセスと、その情報をどのようにモデル化するか、例えば、どのデザインパターンを使用するかを決定するプロセスとをある程度分離することができる。 したがって、ある決定は、これらのプロセスの1つに集中する利点のために延期することができる。 これまで、オントロジのテンプレートが適用されるオントロジ工学に関する著作は少ない。 本稿では,物質科学分野におけるオントロジー工学活動の方法論と報告について概説する。 これらの活動では、OTTRテンプレートが重要な役割を果たす。 私たちのオントロジエンジニアリングのプロセスはボトムアップであり、テンプレートを通じて既存のデータからアクティビティをモデリングし始め、知識グラフに入力し、トップダウンです。 特に,OTTRテンプレートはドメインの専門家とのコミュニケーション手段として特に有用であることがわかった。 さらに、OTTRテンプレートがモデリング決定をカプセル化しているため、エンジニアリングプロセスは柔軟になり、設計決定は少ないコストで変更できることがわかった。

関連論文リスト

• Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
  オントロジはドメイン知識とメタデータを表現するために広く使われている。 1つの簡単な解決策は、統計分析と機械学習を統合することである。 埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
  論文  参考訳（メタデータ） (2024-06-16T14:49:19Z)
• Learn From Model Beyond Fine-Tuning: A Survey [78.80920533793595]
  Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。 本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
  論文  参考訳（メタデータ） (2023-10-12T10:20:36Z)
• Adapting Large Language Models for Content Moderation: Pitfalls in Data Engineering and Supervised Fine-tuning [79.53130089003986]
  大規模言語モデル(LLM)は、様々なドメインでタスクを処理するための実現可能なソリューションとなっている。 本稿では、コンテンツモデレーションのためにプライベートにデプロイ可能なLLMモデルを微調整する方法を紹介する。
  論文  参考訳（メタデータ） (2023-10-05T09:09:44Z)
• Generative AI for Business Strategy: Using Foundation Models to Create Business Strategy Tools [0.7784248206747153]
  ビジネス意思決定における基礎モデルの利用を提案する。 私たちは、署名されたビジネスネットワークの出現という形で、ITアーティファクトを導き出します。 このようなアーティファクトは、市場の状態と自身のポジションについて、ビジネスステークホルダーに通知することができる。
  論文  参考訳（メタデータ） (2023-08-27T19:03:12Z)
• Redeeming Data Science by Decision Modelling [0.0]
  本稿では,従来の機械学習モデルと明示的な値モデルを組み合わせる方法を説明する。 具体的な例を示すために、モデルのROC曲線とユーティリティモデルを統合することで、これをどのように行うかを示します。
  論文  参考訳（メタデータ） (2023-06-30T19:00:04Z)
• Foundation models in brief: A historical, socio-technical focus [2.5991265608180396]
  ディープラーニングをスケールアップすることで、将来のAI開発には、ファンデーションモデルが破壊的になる可能性がある。 モデルは自然言語処理やコンピュータビジョンといった分野における様々なタスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-12-17T22:11:33Z)
• Large Language Models with Controllable Working Memory [64.71038763708161]
  大規模言語モデル(LLM)は、自然言語処理(NLP)の一連のブレークスルーをもたらした。 これらのモデルをさらに切り離すのは、事前訓練中に内在する膨大な量の世界的知識だ。 モデルの世界知識が、文脈で提示された事実情報とどのように相互作用するかは、まだ解明されていない。
  論文  参考訳（メタデータ） (2022-11-09T18:58:29Z)
• Model Reprogramming: Resource-Efficient Cross-Domain Machine Learning [65.268245109828]
  視覚、言語、音声などのデータに富む領域では、ディープラーニングが高性能なタスク固有モデルを提供するのが一般的である。 リソース制限されたドメインでのディープラーニングは、(i)限られたデータ、(ii)制約付きモデル開発コスト、(iii)効果的な微調整のための適切な事前学習モデルの欠如など、多くの課題に直面している。 モデル再プログラミングは、ソースドメインから十分に訓練されたモデルを再利用して、モデル微調整なしでターゲットドメインのタスクを解くことで、リソース効率のよいクロスドメイン機械学習を可能にする。
  論文  参考訳（メタデータ） (2022-02-22T02:33:54Z)
• Artefact Retrieval: Overview of NLP Models with Knowledge Base Access [18.098224374478598]
  本稿では,人工物の種類(知識ベースから抽出した項目),検索機構,およびこれらの人工物がモデルに融合する方法を体系的に記述する。 言語モデルに焦点が当てられているが、質問応答、事実チェック、対話モデルもこのシステムにどのように適合するかを示す。
  論文  参考訳（メタデータ） (2022-01-24T13:15:33Z)
• Conceptual Modeling of Time for Computational Ontologies [0.0]
  モデルは、システムをポップアップさせるオブジェクトやプロセスの記述を指す。 焦点は、変化、イベント、時間といった概念に焦点を当てています。 その結果,TMはこれらの存在論的問題に対処するための有用なツールであることがわかった。
  論文  参考訳（メタデータ） (2020-07-16T20:11:18Z)
• Reverse Engineering Configurations of Neural Text Generation Models [86.9479386959155]
  モデル選択の結果、機械が生成したテキストに現れるアーティファクトの研究は、新しい研究領域である。 我々は、モデリング選択が検出可能なアーティファクトを生成テキストに残すかどうかを確認するために、広範囲な診断テストを実行する。 我々の重要な発見は、厳密な実験によって裏付けられ、そのような成果物が存在することと、生成されたテキストのみを観察することで異なるモデリング選択を推測できることである。
  論文  参考訳（メタデータ） (2020-04-13T21:02:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。