論文の概要: A Knowledge Graph-based Retrieval-Augmented Generation Framework for Algorithm Selection in the Facility Layout Problem

• arxiv url: http://arxiv.org/abs/2509.18054v1
• Date: Mon, 22 Sep 2025 17:29:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.539153
• Title: A Knowledge Graph-based Retrieval-Augmented Generation Framework for Algorithm Selection in the Facility Layout Problem
• Title（参考訳）: 施設レイアウト問題におけるアルゴリズム選択のための知識グラフに基づく検索言語生成フレームワーク
• Authors: Nikhil N S, Amol Dilip Joshi, Bilal Muhammed, Soban Babu,
• Abstract要約: 本稿では,自動設計システムにおけるアルゴリズム選択をガイドする新しいレコメンデーション手法を提案する。 知識グラフベースのRetrieval-Augmented Generation (KG RAG)フレームワークに基づいている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selecting a solution algorithm for the Facility Layout Problem (FLP), an NP-hard optimization problem with a multiobjective trade-off, is a complex task that requires deep expert knowledge. The performance of a given algorithm depends on specific problem characteristics such as its scale, objectives, and constraints. This creates a need for a data-driven recommendation method to guide algorithm selection in automated design systems. This paper introduces a new recommendation method to make such expertise accessible, based on a Knowledge Graph-based Retrieval-Augmented Generation (KG RAG) framework. To address this, a domain-specific knowledge graph is constructed from published literature. The method then employs a multi-faceted retrieval mechanism to gather relevant evidence from this knowledge graph using three distinct approaches, which include a precise graph-based search, flexible vector-based search, and high-level cluster-based search. The retrieved evidence is utilized by a Large Language Model (LLM) to generate algorithm recommendations with data-driven reasoning. The proposed KG-RAG method is compared against a commercial LLM chatbot with access to the knowledge base as a table, across a series of diverse, real-world FLP test cases. Based on recommendation accuracy and reasoning capability, the proposed method performed significantly better than the commercial LLM chatbot.
• Abstract（参考訳）: 多目的トレードオフを伴うNPハード最適化問題である施設レイアウト問題 (FLP) の解法アルゴリズムの選択は、深い専門知識を必要とする複雑なタスクである。 与えられたアルゴリズムの性能は、そのスケール、目的、制約といった特定の問題特性に依存する。 これにより、自動設計システムにおけるアルゴリズムの選択をガイドするデータ駆動レコメンデーション手法の必要性が生じる。 本稿では,知識グラフをベースとしたRetrieval-Augmented Generation (KG RAG) フレームワークに基づいて,このような専門知識をアクセス可能にするための新しい勧告手法を提案する。 これを解決するために、出版された文献からドメイン固有の知識グラフを構築する。 この手法では, 正確なグラフベース探索, 柔軟なベクトルベース探索, 高レベルのクラスタベース探索を含む3つのアプローチを用いて, この知識グラフから関連する証拠を収集するために, 多面的検索機構を用いる。 得られた証拠は、Large Language Model (LLM) によって、データ駆動推論によるアルゴリズムレコメンデーションを生成するために利用される。 KG-RAG法は,様々な実世界のFLPテストケースに対して,知識ベースをテーブルとしてアクセス可能な商用LLMチャットボットと比較した。 提案手法は,レコメンデーション精度と推論能力に基づいて,商用LLMチャットボットよりも優れた性能を示した。

関連論文リスト

• Distilling a Small Utility-Based Passage Selector to Enhance Retrieval-Augmented Generation [77.07879255360342]
  Retrieval-augmented Generation (RAG)は、取得した情報を組み込むことで、大規模言語モデル(LLM)を強化する。 RAGでは、重要度は実用性に移行し、正確な回答を生成するためのパスの有用性を考慮している。 提案手法は、ランク付けよりもユーティリティベースの選択に重点を置いており、固定しきい値を必要とせずに、特定のクエリに合わせた動的通過選択を可能にする。 本実験は, 実用性に基づく選択により, RAGの柔軟性とコスト効率が向上し, 計算コストが大幅に低減され, 応答品質が向上することを示した。
  論文  参考訳（メタデータ） (2025-07-25T09:32:29Z)
• Optimizing open-domain question answering with graph-based retrieval augmented generation [5.2850605665217865]
  我々は,広範囲のクエリータイプにまたがって,グラフベースの検索拡張生成システム (RAG) をベンチマークした。 従来のRAGメソッドは、ニュアンス付きマルチドキュメントタスクの処理に不足することが多い。 本稿では,グラフベースの合成とベクトルベースの検索技術を組み合わせた,費用対効果の高い新しい代替手段TREXを紹介する。
  論文  参考訳（メタデータ） (2025-03-04T18:47:17Z)
• Retrieval with Learned Similarities [2.729516456192901]
  最先端の検索アルゴリズムは、学習された類似点に移行した。 そこで本研究では,Mixture-of-Logits (MoL) を実証的に実現し,多様な検索シナリオにおいて優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-07-22T08:19:34Z)
• On the Design and Analysis of LLM-Based Algorithms [74.7126776018275]
  大規模言語モデル(LLM)はアルゴリズムのサブルーチンとして使用される。 LLMは素晴らしい経験的成功を収めた。 提案フレームワークは,LLMアルゴリズムの進歩を約束する。
  論文  参考訳（メタデータ） (2024-07-20T07:39:07Z)
• Large Language Model-Enhanced Algorithm Selection: Towards Comprehensive Algorithm Representation [27.378185644892984]
  本稿では,Large Language Models (LLM) をアルゴリズム選択に導入する。 LLMはアルゴリズムの構造的・意味的な側面を捉えるだけでなく、文脈的認識とライブラリ機能理解も示している。 選択されたアルゴリズムは、与えられた問題と異なるアルゴリズムの一致度によって決定される。
  論文  参考訳（メタデータ） (2023-11-22T06:23:18Z)
• Neural Improvement Heuristics for Graph Combinatorial Optimization Problems [49.85111302670361]
  本稿では,ノード,エッジ,あるいはその両方に情報をエンコードするグラフベースの問題を扱う新しいニューラル改善(NI)モデルを提案する。 提案モデルは,各地区の操作の選択を誘導する丘登頂に基づくアルゴリズムの基本的な構成要素として機能する。
  論文  参考訳（メタデータ） (2022-06-01T10:35:29Z)
• Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
  情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。 相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
  論文  参考訳（メタデータ） (2020-09-07T16:47:30Z)
• Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
  我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。 我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-29T09:40:58Z)

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。