論文の概要: LLMs4Life: Large Language Models for Ontology Learning in Life Sciences

• arxiv url: http://arxiv.org/abs/2412.02035v1
• Date: Mon, 02 Dec 2024 23:31:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:46:21.521866
• Title: LLMs4Life: Large Language Models for Ontology Learning in Life Sciences
• Title（参考訳）: LLMs4Life:生命科学におけるオントロジー学習のための大規模言語モデル
• Authors: Nadeen Fathallah, Steffen Staab, Alsayed Algergawy,
• Abstract要約: 既存のLarge Language Models(LLM)は、複数の階層レベル、豊富な相互接続、包括的なカバレッジで生成するのに苦労しています。 我々は,先進的な急進的工学技術を用いたLCMを用いたオントロジー学習のためのNeOn-GPTを拡張した。 本評価は,LLMの学習性を示すもので,長期にわたるモデル性能とスケーラビリティの限界に対する解決策を提供するものである。
• 参考スコア（独自算出の注目度）: 10.658387847149195
• License:
• Abstract: Ontology learning in complex domains, such as life sciences, poses significant challenges for current Large Language Models (LLMs). Existing LLMs struggle to generate ontologies with multiple hierarchical levels, rich interconnections, and comprehensive class coverage due to constraints on the number of tokens they can generate and inadequate domain adaptation. To address these issues, we extend the NeOn-GPT pipeline for ontology learning using LLMs with advanced prompt engineering techniques and ontology reuse to enhance the generated ontologies' domain-specific reasoning and structural depth. Our work evaluates the capabilities of LLMs in ontology learning in the context of highly specialized and complex domains such as life science domains. To assess the logical consistency, completeness, and scalability of the generated ontologies, we use the AquaDiva ontology developed and used in the collaborative research center AquaDiva as a case study. Our evaluation shows the viability of LLMs for ontology learning in specialized domains, providing solutions to longstanding limitations in model performance and scalability.
• Abstract（参考訳）: 生命科学のような複雑な領域におけるオントロジー学習は、現在のLarge Language Models (LLM) に重大な課題をもたらす。 既存のLLMは、複数の階層レベル、豊富な相互接続、および包括的なクラスカバレッジを持つオントロジーを生成するのに苦労している。 これらの課題に対処するため,我々は,LLMを用いたオントロジー学習のためのNeOn-GPTパイプラインを,先進的な技術技術とオントロジー再利用により拡張し,生成したオントロジーのドメイン固有推論と構造深度を向上させる。 本研究は,生物科学領域のような高度に専門化された複雑な領域の文脈において,オントロジー学習におけるLLMの能力を評価する。 生成したオントロジーの論理的一貫性,完全性,拡張性を評価するため,共同研究センターAquaDivaで開発されたAquaDivaオントロジーをケーススタディとして利用した。 本評価は, オントロジー学習におけるLLMの有効性を示し, モデル性能とスケーラビリティの長期的限界に対する解決策を提供する。

関連論文リスト

• Diagnostic Reasoning in Natural Language: Computational Model and Application [68.47402386668846]
  言語基底タスク(NL-DAR)の文脈における診断誘導推論(DAR)について検討する。 パール構造因果モデルに基づくNL-DARの新しいモデリングフレームワークを提案する。 得られたデータセットを用いて,NL-DARにおける人間の意思決定過程を解析する。
  論文  参考訳（メタデータ） (2024-09-09T06:55:37Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• CLR-Fact: Evaluating the Complex Logical Reasoning Capability of Large Language Models over Factual Knowledge [44.59258397967782]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクにまたがる印象的な機能を示している。 本稿では,LLMの複雑な論理的推論能力の体系的評価について述べる。 LLMは一般世界の知識の推論に優れるが、専門分野固有の知識では重大な課題に直面している。
  論文  参考訳（メタデータ） (2024-07-30T05:40:32Z)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• SpaRC and SpaRP: Spatial Reasoning Characterization and Path Generation for Understanding Spatial Reasoning Capability of Large Language Models [70.01883340129204]
  空間推論は 生物学的と人工知能の両方において 重要な要素です 本稿では,現在最先端の大規模言語モデル (LLM) の空間的推論能力について包括的に検討する。
  論文  参考訳（メタデータ） (2024-06-07T01:06:34Z)
• On the Use of Large Language Models to Generate Capability Ontologies [43.06143768014157]
  大規模言語モデル(LLM)は、自然言語テキスト入力から機械解釈可能なモデルを生成することができることを示した。 本稿では,LLMを用いて機能を実現する方法について検討する。
  論文  参考訳（メタデータ） (2024-04-26T16:41:00Z)
• A Short Review for Ontology Learning: Stride to Large Language Models Trend [1.7142222335232333]
  オントロジーは、Webアプリケーション内で共有される知識の形式的な表現を提供する。 新しいアプローチのトレンドは、オントロジー学習を強化するために、大きな言語モデル(LLM)に依存している。
  論文  参考訳（メタデータ） (2024-04-23T12:47:31Z)
• Towards Complex Ontology Alignment using Large Language Models [1.3218260503808055]
  オントロジーアライメント(オントロジーアライメント)は、異なるラベルとコンテンツ間の関係を検出するWebにおける重要なプロセスである。 近年のLarge Language Models (LLMs) の進歩は,工学的実践の強化に新たな機会をもたらす。 本稿では,LLM技術の複雑なアライメント問題への取り組みについて検討する。
  論文  参考訳（メタデータ） (2024-04-16T07:13:22Z)
• Rethinking Interpretability in the Era of Large Language Models [76.1947554386879]
  大規模言語モデル(LLM)は、幅広いタスクにまたがる顕著な機能を示している。 自然言語で説明できる能力により、LLMは人間に与えられるパターンのスケールと複雑さを拡大することができる。 これらの新しい機能は、幻覚的な説明や膨大な計算コストなど、新しい課題を提起する。
  論文  参考訳（メタデータ） (2024-01-30T17:38:54Z)
• Domain Specialization as the Key to Make Large Language Models Disruptive: A Comprehensive Survey [100.24095818099522]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野を著しく進歩させた。 広範囲のアプリケーションに対して、非常に有用でタスクに依存しない基盤を提供する。 しかし、特定の領域における洗練された問題を解決するために直接LLMを適用することは、多くのハードルを満たす。
  論文  参考訳（メタデータ） (2023-05-30T03:00:30Z)

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。