論文の概要: Knowledge Graph-Guided Multi-Agent Distillation for Reliable Industrial Question Answering with Datasets

• arxiv url: http://arxiv.org/abs/2510.06240v1
• Date: Fri, 03 Oct 2025 06:52:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.047647
• Title: Knowledge Graph-Guided Multi-Agent Distillation for Reliable Industrial Question Answering with Datasets
• Title（参考訳）: データセットを用いた信頼性の高い産業質問応答のための知識グラフ誘導多剤蒸留
• Authors: Jiqun Pan, Zhenke Duan, Jiani Tu, Anzhi Cheng, Yanqing Wang,
• Abstract要約: 産業質問応答システムは、汎用対話モデルよりも安全性と信頼性が要求される。 知識グラフ誘導型マルチエージェントシステム蒸留(KG-MASD)を提案する。 工業用QAデータセットの実験では、KG-MASDはベースラインの精度を2.4パーセントから20.1%改善している。
• 参考スコア（独自算出の注目度）: 1.0221654398821483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial question-answering (QA) systems require higher safety and reliability than general-purpose dialogue models, as errors in high-risk scenarios such as equipment fault diagnosis can have severe consequences. Although multi-agent large language models enhance reasoning depth, they suffer from uncontrolled iterations and unverifiable outputs, and conventional distillation methods struggle to transfer collaborative reasoning capabilities to lightweight, deployable student models. To address these challenges, we propose Knowledge Graph-guided Multi-Agent System Distillation (KG-MASD). Our approach formulates distillation as a Markov Decision Process and incorporates a knowledge graph as a verifiable structured prior to enrich state representation and ensure convergence. By integrating collaborative reasoning with knowledge grounding, KG-MASD generates high-confidence instruction-tuning data and jointly distills reasoning depth and verifiability into compact student models suitable for edge deployment. Experiments on an industrial QA dataset show that KG-MASD improves accuracy by 2.4 per cent to 20.1 per cent over baselines and significantly enhances reliability, enabling trustworthy AI deployment in safety-critical industrial scenarios. Code and data are available at https://github.com/erwinmsmith/KG-MAD/.
• Abstract（参考訳）: 産業質問応答(QA)システムは、機器故障診断などのリスクの高いシナリオにおけるエラーが深刻な結果をもたらすため、汎用対話モデルよりも安全性と信頼性が要求される。 マルチエージェント大規模言語モデルは推論の深度を高めるが、制御不能な反復と検証不能な出力に悩まされ、従来の蒸留法は、協調推論能力を軽量でデプロイ可能な学生モデルに伝達するのに苦労する。 これらの課題に対処するために,知識グラフ誘導マルチエージェントシステム蒸留(KG-MASD)を提案する。 提案手法は, マルコフ決定過程として蒸留を定式化し, 状態表現の充実と収束の確保に先立って, 検証可能な構造として知識グラフを組み込む。 KG-MASDは、協調推論と知識基盤を統合することにより、高信頼の指導訓練データを生成し、推論深度と妥当性をエッジ展開に適したコンパクトな学生モデルに共同蒸留する。 産業用QAデータセットの実験では、KG-MASDはベースラインよりも2.4パーセントの精度を20.1%に向上し、信頼性を大幅に向上し、安全クリティカルな産業シナリオにおける信頼できるAIデプロイメントを可能にしている。 コードとデータはhttps://github.com/erwinmsmith/KG-MAD/で公開されている。

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)
• EIAD: Explainable Industrial Anomaly Detection Via Multi-Modal Large Language Models [23.898938659720503]
  工業異常検出(IAD)は製造中の製品品質を確保するために重要である。 本稿では,コア特徴抽出からダイアログ機能を分離する専用マルチモーダル欠陥ローカライゼーションモジュールを提案する。 私たちはまた、Defect Detection Question Answering (DDQA) という、最初のマルチモーダル産業異常検出トレーニングデータセットにも貢献する。
  論文  参考訳（メタデータ） (2025-03-18T11:33:29Z)
• Harnessing Diverse Perspectives: A Multi-Agent Framework for Enhanced Error Detection in Knowledge Graphs [29.44542764343831]
  知識グラフ誤り検出(MAKGED)のための新しいマルチエージェントフレームワークを提案する。 訓練中, 細粒度で双方向なサブグラフ埋め込みとLLMベースのクエリ埋め込みを結合することにより, これらの表現を統合して4つの特殊エージェントを生成する。 FB15KとWN18RRの実験では、MAKGEDは最先端の手法よりも優れており、KG評価の精度と堅牢性を高めている。
  論文  参考訳（メタデータ） (2025-01-27T05:35:25Z)
• Uncertainty Management in the Construction of Knowledge Graphs: a Survey [3.5639148953570845]
  知識グラフ(KG)は、データ表現の柔軟性のおかげで、企業にとって重要な資産です。 KGを構築するには、様々な異種情報源から知識を抽出する自動手法に頼るのが一般的である。 騒々しく不確実な世界では、知識は信頼できないかもしれないし、データソース間の衝突が起こるかもしれない。
  論文  参考訳（メタデータ） (2024-05-27T08:22:52Z)
• Improving the Robustness of Knowledge-Grounded Dialogue via Contrastive Learning [71.8876256714229]
  本稿では,知識ベース対話システムの堅牢性向上を目的とした,エンティティベースのコントラスト学習フレームワークを提案する。 提案手法は,自動評価スコアの点から,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-01-09T05:16:52Z)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)

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。