論文の概要: NOTAM-Evolve: A Knowledge-Guided Self-Evolving Optimization Framework with LLMs for NOTAM Interpretation

• arxiv url: http://arxiv.org/abs/2511.07982v1
• Date: Wed, 12 Nov 2025 01:32:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.580185
• Title: NOTAM-Evolve: A Knowledge-Guided Self-Evolving Optimization Framework with LLMs for NOTAM Interpretation
• Title（参考訳）: NOTAM-Evolve:NOTAM解釈のためのLLMを用いた知識誘導型自己進化最適化フレームワーク
• Authors: Maoqi Liu, Quan Fang, Yuhao Wu, Can Zhao, Yang Yang, Kaiquan Cai,
• Abstract要約: NOTAM-Evolveは、大規模な言語モデルで複雑なNOTAM解釈を自律的にマスターできるフレームワークである。 実験の結果,NOTAM-EvolveはベースLLMに対して30.4%の精度向上を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 21.27916302296637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate interpretation of Notices to Airmen (NOTAMs) is critical for aviation safety, yet their condensed and cryptic language poses significant challenges to both manual and automated processing. Existing automated systems are typically limited to shallow parsing, failing to extract the actionable intelligence needed for operational decisions. We formalize the complete interpretation task as deep parsing, a dual-reasoning challenge requiring both dynamic knowledge grounding (linking the NOTAM to evolving real-world aeronautical data) and schema-based inference (applying static domain rules to deduce operational status). To tackle this challenge, we propose NOTAM-Evolve, a self-evolving framework that enables a large language model (LLM) to autonomously master complex NOTAM interpretation. Leveraging a knowledge graph-enhanced retrieval module for data grounding, the framework introduces a closed-loop learning process where the LLM progressively improves from its own outputs, minimizing the need for extensive human-annotated reasoning traces. In conjunction with this framework, we introduce a new benchmark dataset of 10,000 expert-annotated NOTAMs. Our experiments demonstrate that NOTAM-Evolve achieves a 30.4% absolute accuracy improvement over the base LLM, establishing a new state of the art on the task of structured NOTAM interpretation.
• Abstract（参考訳）: NOTAM(Notices to Airmen)の正確な解釈は航空安全にとって重要であるが、その凝縮された暗号言語は手作業と自動処理の両方に重大な課題をもたらす。 既存の自動化システムは通常、浅い解析に限られており、運用上の決定に必要な実行可能なインテリジェンスを抽出することができない。 我々は、完全な解釈タスクを深層解析(deep parsing)として形式化し、動的知識基盤(NOTAMを現実世界の航空データにリンクする)とスキーマベースの推論(静的ドメインルールを適用して運用状況を推定する)の両方を必要とする二重推論課題を定式化する。 この課題に対処するために,大規模な言語モデル(LLM)が複雑なNOTAM解釈を自律的にマスターできる自己進化型フレームワークであるNOTAM-Evolveを提案する。 データグラウンドディングのための知識グラフ強化検索モジュールを活用することで、LLMが自身の出力から徐々に改善するクローズドループ学習プロセスを導入する。 このフレームワークと合わせて、1万のエキスパートアノテーション付きNOTAMのベンチマークデータセットを新たに導入する。 実験の結果,NOTAM-Evolve は基本 LLM に対して30.4% の精度向上を実現し,構造的 NOTAM 解釈のタスクにおける新たな最先端技術を確立した。

関連論文リスト

• From Insight to Exploit: Leveraging LLM Collaboration for Adaptive Adversarial Text Generation [3.75886080255807]
  動的かつ適応的な敵の例を生成するために設計された2つの革新的な攻撃フレームワークを導入する。 我々は、原文と意味的類似性を保持する微妙で自然な逆入力を生成する。 我々の攻撃はLSMの進歩とともに進化し、攻撃者には未知の強い伝達性を示す。
  論文  参考訳（メタデータ） (2025-11-05T02:27:56Z)
• MLLMEraser: Achieving Test-Time Unlearning in Multimodal Large Language Models through Activation Steering [36.80441487363007]
  MLLMEraserは、テスト時間アンラーニングのための入力対応、トレーニング不要のフレームワークである。 逆摂動型知識-リコール画像-テキストペアを対比してマルチモーダル消去方向を構築する。 LLaVA-1.5とQwen-2.5-VLの実験では、MLLMEraserは最先端MLLMの未学習ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-05T14:20:17Z)
• Teaching Language Models To Gather Information Proactively [53.85419549904644]
  大規模言語モデル(LLM)は、ますます協力的なパートナーとして機能することが期待されている。 本研究では,アクティブな情報収集という新たなタスクパラダイムを導入する。 キー情報をマスキングする、部分的に特定された現実世界のタスクを生成するスケーラブルなフレームワークを設計する。 このセットアップの中核となるイノベーションは、真に新しい暗黙のユーザー情報を引き出す質問に報酬を与える、強化された微調整戦略です。
  論文  参考訳（メタデータ） (2025-07-28T23:50:09Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• SELF: Self-Evolution with Language Feedback [68.6673019284853]
  SELF(Self-Evolution with Language Feedback)は、大規模言語モデルを進化させる新しいアプローチである。 LLMは、人間の学習プロセスと同様、自己回帰を通じて自己改善を可能にする。 数学および一般タスクにおける実験により,SELFは人間の介入なしにLLMの能力を高めることができることが示された。
  論文  参考訳（メタデータ） (2023-10-01T00:52:24Z)
• Improving Open Information Extraction with Large Language Models: A Study on Demonstration Uncertainty [52.72790059506241]
  オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。 一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
  論文  参考訳（メタデータ） (2023-09-07T01:35:24Z)
• Plan, Eliminate, and Track -- Language Models are Good Teachers for Embodied Agents [99.17668730578586]
  事前訓練された大言語モデル(LLM)は、世界に関する手続き的な知識をキャプチャする。 Plan, Eliminate, and Track (PET)フレームワークはタスク記述をハイレベルなサブタスクのリストに変換する。 PETフレームワークは、人間の目標仕様への一般化のために、SOTAよりも15%改善されている。
  論文  参考訳（メタデータ） (2023-05-03T20:11:22Z)

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。