論文の概要: Knots: A Large-Scale Multi-Agent Enhanced Expert-Annotated Dataset and LLM Prompt Optimization for NOTAM Semantic Parsing

• arxiv url: http://arxiv.org/abs/2511.12630v1
• Date: Sun, 16 Nov 2025 14:52:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.415751
• Title: Knots: A Large-Scale Multi-Agent Enhanced Expert-Annotated Dataset and LLM Prompt Optimization for NOTAM Semantic Parsing
• Title（参考訳）: Knots: NOTAMセマンティックパーシングのための大規模マルチエージェント拡張エキスパートアノテーションデータセットとLLMプロンプト最適化
• Authors: Maoqi Liu, Quan Fang, Yang Yang, Can Zhao, Kaiquan Cai,
• Abstract要約: NOTAM(Notice to Air Missions)は、重要な飛行安全情報を発信するための重要なチャンネルである。 彼らの複雑な言語構造と暗黙の推論は、自動解析に重大な課題をもたらす。 本研究では,意味推論と航空分野知識の統合を重視したNOTAMセマンティック解析を提案する。
• 参考スコア（独自算出の注目度）: 15.869090373058803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Notice to Air Missions (NOTAMs) serve as a critical channel for disseminating key flight safety information, yet their complex linguistic structures and implicit reasoning pose significant challenges for automated parsing. Existing research mainly focuses on surface-level tasks such as classification and named entity recognition, lacking deep semantic understanding. To address this gap, we propose NOTAM semantic parsing, a task emphasizing semantic inference and the integration of aviation domain knowledge to produce structured, inference-rich outputs. To support this task, we construct Knots (Knowledge and NOTAM Semantics), a high-quality dataset of 12,347 expert-annotated NOTAMs covering 194 Flight Information Regions, enhanced through a multi-agent collaborative framework for comprehensive field discovery. We systematically evaluate a wide range of prompt-engineering strategies and model-adaptation techniques, achieving substantial improvements in aviation text understanding and processing. Our experimental results demonstrate the effectiveness of the proposed approach and offer valuable insights for automated NOTAM analysis systems. Our code is available at: https://github.com/Estrellajer/Knots.
• Abstract（参考訳）: NOTAM(Notice to Air Missions)は重要な飛行安全情報を広める重要なチャンネルとして機能するが、それらの複雑な言語構造と暗黙の推論は自動解析に重大な課題をもたらす。 既存の研究は主に、分類や名前付きエンティティ認識といった表面レベルのタスクに焦点を当てており、深い意味的理解が欠如している。 このギャップに対処するために,NOTAMセマンティック解析,意味推論を強調するタスク,および,構造化された推論リッチな出力を生成するための航空ドメイン知識の統合を提案する。 この課題を支援するために,194の飛行情報領域をカバーする12,347のエキスパート注釈付きNOTAMからなる高品質なデータセットであるKnots(Knowledge and NOTAM Semantics)を構築し,総合的なフィールド発見のためのマルチエージェント協調フレームワークによって強化した。 航空機のテキスト理解と処理の大幅な改善を実現し,幅広いプロンプトエンジニアリング戦略とモデル適応手法を体系的に評価した。 提案手法の有効性を実証し,NOTAM自動解析システムに有用な知見を提供する。 私たちのコードは、https://github.com/Estrellajer/Knots.comで利用可能です。

関連論文リスト

• NOTAM-Evolve: A Knowledge-Guided Self-Evolving Optimization Framework with LLMs for NOTAM Interpretation [21.27916302296637]
  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。
  論文  参考訳（メタデータ） (2025-11-11T08:46:20Z)
• A Multimodal Depth-Aware Method For Embodied Reference Understanding [56.30142869506262]
  Embodied Reference Understandingでは、言語命令とポインティングキューの両方に基づいて、視覚的なシーンで対象のオブジェクトを識別する必要がある。 本稿では,データ拡張,深度マップのモダリティ,深度認識決定モジュールを共同で活用する新しいERUフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-09T14:32:21Z)
• Guided Navigation in Knowledge-Dense Environments: Structured Semantic Exploration with Guidance Graphs [21.84798899012135]
  本稿では,非構造化クエリと構造化知識検索をブリッジする中間ガイダンスグラフを導入する新しいフレームワークを提案する。 Guidance Graphは、対象の知識の構造を抽象化し、より広い意味的コンテキストを保存することで、検索空間を定義する。 提案手法は,特に複雑なタスクにおいて,SOTAよりも優れた効率と性能を実現する。
  論文  参考訳（メタデータ） (2025-08-06T08:47:57Z)
• Keeping Experts in the Loop: Expert-Guided Optimization for Clinical Data Classification using Large Language Models [0.5249805590164902]
  StructEaseは、自動化と迅速なエンジニアリングにおける人間の専門知識の入力のギャップを埋める新しいフレームワークである。 このフレームワークの中核的な革新は、専門家のフィードバックによって大幅なパフォーマンス改善がもたらされる高価値ケースを識別する反復サンプリングアルゴリズムであるSmplEaseである。
  論文  参考訳（メタデータ） (2024-12-03T05:05:13Z)
• StructRAG: Boosting Knowledge Intensive Reasoning of LLMs via Inference-time Hybrid Information Structurization [94.31508613367296]
  Retrieval-augmented Generation(RAG)は、大規模言語モデル(LLM)を効果的に強化する鍵となる手段である。 本稿では,手前のタスクに対して最適な構造型を識別し,元の文書をこの構造化形式に再構成し,その結果に基づいて回答を推測するStructRAGを提案する。 実験の結果、StructRAGは最先端のパフォーマンスを実現し、特に挑戦的なシナリオに優れていた。
  論文  参考訳（メタデータ） (2024-10-11T13:52:44Z)
• Artificial Intuition: Efficient Classification of Scientific Abstracts [42.299140272218274]
  短い科学的テキストは、解釈を助けるための豊富な知識を持つ専門家に、密集した情報を効率的に伝達する。 このギャップに対処するために、我々は、粗いドメイン固有のラベルを生成し、適切に割り当てる新しいアプローチを開発した。 本稿では,大規模言語モデル(LLM)が,補足的知識の強化に類似したプロセスにおいて,タスクに不可欠なメタデータを提供することを示す。
  論文  参考訳（メタデータ） (2024-07-08T16:34:47Z)
• Open-Vocabulary Camouflaged Object Segmentation [66.94945066779988]
  OVCOS(Open-vocabulary camouflaged Object segmentation)を導入した。 我々は11,483個の手選択画像とそれに対応するオブジェクトクラスを含む大規模複合シーンデータセット(textbfOVCamo)を構築した。 クラスセマンティック知識の指導とエッジ情報と深度情報からの視覚構造的手がかりの補足を統合することにより、提案手法は効率よくカモフラージュされたオブジェクトを捕捉できる。
  論文  参考訳（メタデータ） (2023-11-19T06:00:39Z)
• KITLM: Domain-Specific Knowledge InTegration into Language Models for Question Answering [30.129418454426844]
  大規模言語モデル(LLM)は、幅広い自然言語処理において顕著な性能を示した。 関連情報注入による言語モデルへの知識ベース統合手法であるKITLMを提案する。 提案手法は,GPT-3.5-turbo と最先端知識注入法 SKILL を併用し,MetaQA 上での精度の1.5倍の精度向上を実現している。
  論文  参考訳（メタデータ） (2023-08-07T14:42:49Z)
• Learning to Relate Depth and Semantics for Unsupervised Domain Adaptation [87.1188556802942]
  教師なしドメイン適応(UDA)設定において,視覚的タスク関係を符号化してモデル性能を向上させる手法を提案する。 本稿では,意味的および深さ的予測のタスク依存性を符号化する新しいクロスタスク関係層(ctrl)を提案する。 さらに、セマンティック擬似ラベルを利用してターゲットドメインを監督する反復自己学習(ISL)トレーニングスキームを提案する。
  論文  参考訳（メタデータ） (2021-05-17T13:42:09Z)

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。