論文の概要: Rate-Distortion Guided Knowledge Graph Construction from Lecture Notes Using Gromov-Wasserstein Optimal Transport

• arxiv url: http://arxiv.org/abs/2511.14595v1
• Date: Tue, 18 Nov 2025 15:37:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.186337
• Title: Rate-Distortion Guided Knowledge Graph Construction from Lecture Notes Using Gromov-Wasserstein Optimal Transport
• Title（参考訳）: Gromov-Wasserstein Optimal Transport を用いた講義ノートからのレート歪み誘導知識グラフ構築
• Authors: Yuan An, Ruhma Hashmi, Michelle Rogers, Jane Greenberg, Brian K. Smith,
• Abstract要約: タスク指向知識グラフ(KG)により、AIを活用した学習支援システムは、高品質なマルチチョイス質問(MCQ)を自動的に生成できる しかし、講義ノートやスライドなどの構造化されていない教材を、重要な教育内容を取得するKGに変換することは依然として困難である。 本稿では,RD理論と最適輸送幾何学に基づく知識グラフ構築と改良のためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.06524460254566902
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Task-oriented knowledge graphs (KGs) enable AI-powered learning assistant systems to automatically generate high-quality multiple-choice questions (MCQs). Yet converting unstructured educational materials, such as lecture notes and slides, into KGs that capture key pedagogical content remains difficult. We propose a framework for knowledge graph construction and refinement grounded in rate-distortion (RD) theory and optimal transport geometry. In the framework, lecture content is modeled as a metric-measure space, capturing semantic and relational structure, while candidate KGs are aligned using Fused Gromov-Wasserstein (FGW) couplings to quantify semantic distortion. The rate term, expressed via the size of KG, reflects complexity and compactness. Refinement operators (add, merge, split, remove, rewire) minimize the rate-distortion Lagrangian, yielding compact, information-preserving KGs. Our prototype applied to data science lectures yields interpretable RD curves and shows that MCQs generated from refined KGs consistently surpass those from raw notes on fifteen quality criteria. This study establishes a principled foundation for information-theoretic KG optimization in personalized and AI-assisted education.
• Abstract（参考訳）: タスク指向知識グラフ(KG)により、AIを利用した学習支援システムは、高品質なマルチチョイス質問(MCQ)を自動的に生成できる。 しかし、講義ノートやスライドなどの構造化されていない教材を、重要な教育内容を取得するKGに変換することは依然として困難である。 本稿では,RD理論と最適輸送幾何学に基づく知識グラフ構築と改良のためのフレームワークを提案する。 このフレームワークでは、講義内容は、意味的および関係的構造をキャプチャする計量測度空間としてモデル化され、一方、候補KGは、意味的歪みを定量化するために、Fused Gromov-Wasserstein(FGW)結合を用いて整列される。 KG の大きさで表されるレート項は、複雑さとコンパクトさを反映している。 リファインメント演算子(加算、マージ、分割、除去、再配線)はラグランジアンを最小化し、コンパクトで情報保存のKGを与える。 データサイエンスの講義に応用したプロトタイプでは, 解釈可能なRD曲線が得られ, 改良KGから生成されたMCQが, 15品質基準の原音より一貫して上回っていることを示す。 本研究は、パーソナライズおよびAI支援教育における情報理論KG最適化の原則的基礎を確立する。

関連論文リスト

• Knowledge Graph-extended Retrieval Augmented Generation for Question Answering [10.49712834719005]
  本稿では,Large Language Models (LLMs) とKGs (KGs) を統合するシステムを提案する。 結果として得られるアプローチは、KGを持つ検索拡張生成(RAG)の特定の形式に分類される。 質問分解モジュールを含み、マルチホップ情報検索と回答可能性を高める。
  論文  参考訳（メタデータ） (2025-04-11T18:03:02Z)
• GLTW: Joint Improved Graph Transformer and LLM via Three-Word Language for Knowledge Graph Completion [52.026016846945424]
  我々は、KGの構造情報をエンコードし、それを大規模言語モデルにマージするGLTWと呼ばれる新しい手法を提案する。 具体的には、局所構造情報とグローバル構造情報の両方を効果的に符号化する改良されたグラフ変換器(iGT)を導入する。 また,KG内のすべてのエンティティを分類対象として用いたサブグラフに基づく多分類学習目標を開発し,学習効率を向上する。
  論文  参考訳（メタデータ） (2025-02-17T06:02:59Z)
• Distill-SynthKG: Distilling Knowledge Graph Synthesis Workflow for Improved Coverage and Efficiency [59.6772484292295]
  大規模言語モデル(LLM)によって生成される知識グラフ(KG)は、検索・拡張生成(RAG)アプリケーションにとってますます価値が増している。 既存のKG抽出法は、大規模コーパスの処理に非効率なプロンプトベースのアプローチに依存している。 LLMに基づく多段階文書レベルのKGワークフローであるSynthKGを提案する。 我々はまた、RAGのための新しいグラフベースの検索フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-10-22T00:47:54Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Relational Learning Analysis of Social Politics using Knowledge Graph Embedding [11.978556412301975]
  本稿では,新しい信頼性ドメインベースのKG埋め込みフレームワークを提案する。 ヘテロジニアスリソースから得られたデータの融合を、ドメインによって表現された正式なKG表現にキャプチャする。 このフレームワークは、データ品質と信頼性を保証するための信頼性モジュールも具体化している。
  論文  参考訳（メタデータ） (2020-06-02T14:10:28Z)

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。