論文の概要: Complex System Diagnostics Using a Knowledge Graph-Informed and Large Language Model-Enhanced Framework
- arxiv url: http://arxiv.org/abs/2505.21291v1
- Date: Tue, 27 May 2025 14:54:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-28 17:05:58.734637
- Title: Complex System Diagnostics Using a Knowledge Graph-Informed and Large Language Model-Enhanced Framework
- Title（参考訳）: 知識グラフインフォームドと大規模言語モデル拡張フレームワークを用いた複雑システム診断
- Authors: Saman Marandi, Yu-Shu Hu, Mohammad Modarres,
- Abstract要約: 知識グラフ(KG)と大規模言語モデル(LLM)を統合する新しい診断フレームワークを提案する。
本稿では,動的マスター論理(DML)モデルの機能的モデリング原理を基礎とした診断フレームワークを提案する。
補助給水システムに関するケーススタディでは、キー要素の90%以上の精度と一貫したツールと引数抽出により、フレームワークの有効性が示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a novel diagnostic framework that integrates Knowledge Graphs (KGs) and Large Language Models (LLMs) to support system diagnostics in high-reliability systems such as nuclear power plants. Traditional diagnostic modeling struggles when systems become too complex, making functional modeling a more attractive approach. Our approach introduces a diagnostic framework grounded in the functional modeling principles of the Dynamic Master Logic (DML) model. It incorporates two coordinated LLM components, including an LLM-based workflow for automated construction of DML logic from system documentation and an LLM agent that facilitates interactive diagnostics. The generated logic is encoded into a structured KG, referred to as KG-DML, which supports hierarchical fault reasoning. Expert knowledge or operational data can also be incorporated to refine the model's precision and diagnostic depth. In the interaction phase, users submit natural language queries, which are interpreted by the LLM agent. The agent selects appropriate tools for structured reasoning, including upward and downward propagation across the KG-DML. Rather than embedding KG content into every prompt, the LLM agent distinguishes between diagnostic and interpretive tasks. For diagnostics, the agent selects and executes external tools that perform structured KG reasoning. For general queries, a Graph-based Retrieval-Augmented Generation (Graph-RAG) approach is used, retrieving relevant KG segments and embedding them into the prompt to generate natural explanations. A case study on an auxiliary feedwater system demonstrated the framework's effectiveness, with over 90% accuracy in key elements and consistent tool and argument extraction, supporting its use in safety-critical diagnostics.
- Abstract（参考訳）: 本稿では,原子力プラントなどの高信頼システムにおけるシステム診断を支援するために,知識グラフ(KG)と大規模言語モデル(LLM)を統合した新しい診断フレームワークを提案する。
従来の診断モデリングは、システムが複雑になりすぎると苦労し、機能モデリングをより魅力的なアプローチにする。
本稿では,動的マスター論理(DML)モデルの機能的モデリング原理を基礎とした診断フレームワークを提案する。
システムドキュメンテーションからDMLロジックを自動構築するためのLLMベースのワークフローと、インタラクティブな診断を容易にするLLMエージェントの2つの協調LLMコンポーネントが組み込まれている。
生成されたロジックはKG-DMLと呼ばれる構造化KGにエンコードされ、階層的故障推論をサポートする。
専門家の知識や運用データは、モデルの精度と診断深度を洗練するためにも組み込むことができる。
インタラクションフェーズでは、ユーザが自然言語クエリを送信し、LLMエージェントによって解釈される。
エージェントは、KG-DMLの上下伝播を含む構造化推論のための適切なツールを選択する。
全てのプロンプトにKGコンテンツを埋め込むのではなく、LLMエージェントは診断タスクと解釈タスクを区別する。
診断のために、エージェントは構造化KG推論を実行する外部ツールを選択して実行する。
一般的なクエリには、グラフベースのRetrieval-Augmented Generation (Graph-RAG)アプローチを使用し、関連するKGセグメントを取得し、それらをプロンプトに埋め込んで自然な説明を生成する。
補助給水システムのケーススタディでは、キー要素の90%以上の精度と一貫したツールと引数抽出により、安全クリティカルな診断におけるその使用を実証した。
関連論文リスト
- A Multimodal Multi-Agent Framework for Radiology Report Generation [2.1477122604204433]
放射線診断レポート生成(RRG)は、医療画像から診断レポートを自動生成することを目的としている。
本稿では,段階的臨床推論ワークフローに適合するRRG用マルチモーダルマルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-14T20:28:04Z) - Learning to Be A Doctor: Searching for Effective Medical Agent Architectures [32.82784216021035]
本稿では,医療エージェントアーキテクチャの自動設計のための新しいフレームワークを紹介する。
自動機械学習(AutoML)の成功に触発され、階層的で表現力のあるエージェント検索空間を定義する。
本フレームワークは,多様な機能ノード型からなるグラフベースのアーキテクチャとして医療エージェントを概念化する。
論文 参考訳（メタデータ） (2025-04-15T15:44:21Z) - How Well Can Modern LLMs Act as Agent Cores in Radiology Environments? [54.36730060680139]
RadA-BenchPlatは、放射線学環境での大規模言語モデル(LLM)のパフォーマンスをベンチマークする評価プラットフォームである。
また、エージェント駆動型タスク解決ツールの10のカテゴリを定義し、7つの主要なLCMを評価している。
論文 参考訳（メタデータ） (2024-12-12T18:20:16Z) - 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) - A process algebraic framework for multi-agent dynamic epistemic systems [55.2480439325792]
本稿では,マルチエージェント,知識ベース,動的システムのモデリングと解析のための統合フレームワークを提案する。
モデリング側では,このようなフレームワークを実用的な目的に使いやすくするプロセス代数的,エージェント指向の仕様言語を提案する。
論文 参考訳（メタデータ） (2024-07-24T08:35:50Z) - medIKAL: Integrating Knowledge Graphs as Assistants of LLMs for Enhanced Clinical Diagnosis on EMRs [13.806201934732321]
medIKALは、診断能力を高めるために、LLM(Large Language Models)と知識グラフ(KG)を組み合わせる。
medIKALは、そのタイプに基づいて医療記録のエンティティに重み付けされた重要性を割り当て、KG内の候補疾患の正確な局在を可能にする。
新たに導入した中国のEMRデータセットの広範な実験により,medIKALの有効性を検証した。
論文 参考訳（メタデータ） (2024-06-20T13:56:52Z) - KG-Agent: An Efficient Autonomous Agent Framework for Complex Reasoning
over Knowledge Graph [134.8631016845467]
我々は、KG-Agentと呼ばれる自律LLMベースのエージェントフレームワークを提案する。
KG-Agentでは、LLM、多機能ツールボックス、KGベースのエグゼキュータ、知識メモリを統合する。
有効性を保証するため、プログラム言語を利用してKG上のマルチホップ推論プロセスを定式化する。
論文 参考訳（メタデータ） (2024-02-17T02:07:49Z) - Integrating LLMs for Explainable Fault Diagnosis in Complex Systems [0.0]
本稿では,原子力プラントなどの複雑なシステムにおける故障診断の説明可能性を高めるための統合システムを提案する。
物理に基づく診断ツールとLarge Language Modelを組み合わせることで、障害を識別するだけでなく、その原因と意味を明確かつ理解可能な説明を提供する新しいソリューションを提供する。
論文 参考訳（メタデータ） (2024-02-08T22:11:21Z) - Interpretable Medical Diagnostics with Structured Data Extraction by
Large Language Models [59.89454513692417]
タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。
本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。
本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-08T09:12:28Z) - Large Language Models for Biomedical Knowledge Graph Construction:
Information extraction from EMR notes [0.0]
大規模言語モデル(LLM)に基づくエンドツーエンド機械学習ソリューションを提案する。
KG構築プロセスで使用される物質は、疾患、因子、治療、および疾患を経験中に患者と共存する症状である。
提案手法の応用は加齢に伴う黄斑変性に対して実証される。
論文 参考訳（メタデータ） (2023-01-29T15:52:33Z)
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。