論文の概要: Towards an AI-based knowledge assistant for goat farmers based on Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2509.09848v1
• Date: Thu, 11 Sep 2025 20:58:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.919201
• Title: Towards an AI-based knowledge assistant for goat farmers based on Retrieval-Augmented Generation
• Title（参考訳）: Retrieval-Augmented Generationに基づくヤギ農家のためのAIベースの知識アシスタントを目指して
• Authors: Nana Han, Dong Liu, Tomas Norton,
• Abstract要約: 本研究では,ヤギの健康管理を支援する知的知識アシスタントシステムを提案する。 知識基盤は、疾病予防・治療、栄養管理、養育管理、ヤギ乳管理、基礎農業知識の5つの主要な領域にまたがっている。 オンライン検索モジュールは、最新情報のリアルタイム検索を可能にするために統合されている。
• 参考スコア（独自算出の注目度）: 5.133246658369731
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly being recognised as valuable knowledge communication tools in many industries. However, their application in livestock farming remains limited, being constrained by several factors not least the availability, diversity and complexity of knowledge sources. This study introduces an intelligent knowledge assistant system designed to support health management in farmed goats. Leveraging the Retrieval-Augmented Generation (RAG), two structured knowledge processing methods, table textualization and decision-tree textualization, were proposed to enhance large language models' (LLMs) understanding of heterogeneous data formats. Based on these methods, a domain-specific goat farming knowledge base was established to improve LLM's capacity for cross-scenario generalization. The knowledge base spans five key domains: Disease Prevention and Treatment, Nutrition Management, Rearing Management, Goat Milk Management, and Basic Farming Knowledge. Additionally, an online search module is integrated to enable real-time retrieval of up-to-date information. To evaluate system performance, six ablation experiments were conducted to examine the contribution of each component. The results demonstrated that heterogeneous knowledge fusion method achieved the best results, with mean accuracies of 87.90% on the validation set and 84.22% on the test set. Across the text-based, table-based, decision-tree based Q&A tasks, accuracy consistently exceeded 85%, validating the effectiveness of structured knowledge fusion within a modular design. Error analysis identified omission as the predominant error category, highlighting opportunities to further improve retrieval coverage and context integration. In conclusion, the results highlight the robustness and reliability of the proposed system for practical applications in goat farming.
• Abstract（参考訳）: 大規模言語モデル(LLM)は多くの産業で貴重な知識コミュニケーションツールとして認識されつつある。 しかし、家畜農業への応用は限定的であり、知識資源の可用性、多様性、複雑さなど、いくつかの要因によって制限されている。 本研究では,ヤギの健康管理を支援する知的知識アシスタントシステムを提案する。 Retrieval-Augmented Generation (RAG) を活用することで、多種多様なデータ形式に対する大規模言語モデル(LLM)の理解を高めるために、2つの構造化された知識処理手法であるテーブルテクスチャライゼーションと決定木テクスチャライゼーションが提案された。 これらの手法に基づき, LLMのクロスセサリオ一般化能力を向上させるために, ドメイン固有のヤギ養殖知識基盤を構築した。 知識基盤は、疾病予防・治療、栄養管理、養育管理、ヤギ乳管理、基礎農業知識の5つの主要な領域にまたがっている。 さらに、オンライン検索モジュールを統合して、最新情報のリアルタイム検索を可能にする。 システム性能を評価するため,6つのアブレーション実験を行い,各成分の寄与について検討した。 その結果、不均一な知識融合法は、検証セットで87.90%、テストセットで84.22%の精度で最良の結果を得た。 テキストベース、テーブルベース、決定ツリーベースのQ&Aタスク全体で、精度は一貫して85%を超え、モジュール設計における構造化知識融合の有効性を検証した。 エラー分析では、欠落を主なエラーカテゴリとして認識し、検索カバレッジとコンテキスト統合をさらに改善する機会を強調した。 以上の結果から,ヤギ養殖の実用化に向けて提案したシステムの堅牢性と信頼性が示唆された。

関連論文リスト

• Divide-Then-Align: Honest Alignment based on the Knowledge Boundary of RAG [51.120170062795566]
  本稿では,問合せが知識境界外にある場合の"I don't know"で応答する機能を備えたRAGシステムを実現するためのDTAを提案する。 DTAは適切な棄権と精度のバランスをとり、検索強化システムの信頼性と信頼性を高める。
  論文  参考訳（メタデータ） (2025-05-27T08:21:21Z)
• A Retrieval-Augmented Knowledge Mining Method with Deep Thinking LLMs for Biomedical Research and Clinical Support [4.663954774358363]
  検索精度と知識推論を向上させるために,IP-RAR(Integrated and Progressive Retrieval-Augmented Reasoning)を導入する。 IP-RARは、統合推論ベースの検索を通じて情報リコールを最大化し、プログレッシブ推論ベースの生成を通じて知識を洗練する。 この枠組みは、医師がパーソナライズされた医薬品計画のための治療証拠を効率的に統合するのに役立つ。
  論文  参考訳（メタデータ） (2025-03-29T09:56:42Z)
• Harnessing Large Language Models for Knowledge Graph Question Answering via Adaptive Multi-Aspect Retrieval-Augmentation [81.18701211912779]
  本稿では,KG(Amar)フレームワーク上での適応型マルチアスペクト検索手法を提案する。 この方法は、エンティティ、リレーション、サブグラフを含む知識を検索し、検索した各テキストを即時埋め込みに変換する。 提案手法は2つの共通データセットに対して最先端の性能を達成した。
  論文  参考訳（メタデータ） (2024-12-24T16:38:04Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• Fact Finder -- Enhancing Domain Expertise of Large Language Models by Incorporating Knowledge Graphs [2.7386111894524]
  ドメイン固有知識グラフ(KG)を用いた大規模言語モデルを拡張したハイブリッドシステムを導入する。 我々は,69個のサンプルを収集し,正しいKGノードの検索精度を78%向上した。 以上の結果から,ハイブリッドシステムは単独のLCMを超える精度と完全性を示した。
  論文  参考訳（メタデータ） (2024-08-06T07:45:05Z)
• Large Language Models are Limited in Out-of-Context Knowledge Reasoning [65.72847298578071]
  大規模言語モデル (LLMs) は、文脈内推論の実行において広範な知識と強力な能力を持っている。 本稿では、複数の知識を組み合わせて新しい知識を推論する、文脈外知識推論(OCKR)という、文脈外推論の重要な側面に焦点を当てる。
  論文  参考訳（メタデータ） (2024-06-11T15:58:59Z)
• Improving Medical Reasoning through Retrieval and Self-Reflection with Retrieval-Augmented Large Language Models [18.984165679347026]
  Self-BioRAGは、説明文の生成、ドメイン固有の文書の検索、生成したレスポンスの自己参照を専門とする、バイオメディカルテキストに信頼できるフレームワークである。 84kのバイオメディカル・インストラクション・セットを用いて、カスタマイズされた反射トークンで生成された説明を評価できるセルフビオRAGを訓練する。
  論文  参考訳（メタデータ） (2024-01-27T02:29:42Z)
• HyKGE: A Hypothesis Knowledge Graph Enhanced Framework for Accurate and Reliable Medical LLMs Responses [20.635793525894872]
  大規模言語モデル(LLM)の精度と信頼性を向上させるための仮説知識グラフ強化(HyKGE)フレームワークを開発する。 具体的には、HyKGEはゼロショット能力とLLMの豊富な知識を仮説出力で探索し、KGの可能な探索方向を拡張する。 2つのLLMターボを用いた2つの中国医学多重選択質問データセットと1つの中国のオープンドメイン医療Q&Aデータセットの実験は、精度と説明可能性の観点からHyKGEの優位性を実証した。
  論文  参考訳（メタデータ） (2023-12-26T04:49:56Z)
• Biomedical knowledge graph-optimized prompt generation for large language models [1.6658478064349376]
  大規模言語モデル(LLM)は前例のない速度で採用されているが、バイオメディシンのような知識集約ドメインでは依然として課題に直面している。 本稿では,トークン最適化およびロバストな知識グラフに基づくRetrieval Augmented Generationフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-11-29T03:07:00Z)

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。