論文の概要: Panning for Gold: Expanding Domain-Specific Knowledge Graphs with General Knowledge

• arxiv url: http://arxiv.org/abs/2601.10485v1
• Date: Thu, 15 Jan 2026 15:06:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.189794
• Title: Panning for Gold: Expanding Domain-Specific Knowledge Graphs with General Knowledge
• Title（参考訳）: 金のパネル: 一般的な知識でドメイン特化知識グラフを拡張する
• Authors: Runhao Zhao, Weixin Zeng, Wentao Zhang, Chong Chen, Zhengpin Li, Xiang Zhao, Lei Chen,
• Abstract要約: ドメイン固有知識グラフ (DKG) は一般知識グラフ (GKG) と比較してカバー範囲を欠くことが多い。 ドメイン固有知識グラフフュージョン(DKGF)は、GKGから関連する事実を統合することでDKGを充実させる新しいタスクである。 簡単なFact-as-ProgramパラダイムであるExeFuseを提案する。
• 参考スコア（独自算出の注目度）: 22.831730815905605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain-specific knowledge graphs (DKGs) often lack coverage compared to general knowledge graphs (GKGs). To address this, we introduce Domain-specific Knowledge Graph Fusion (DKGF), a novel task that enriches DKGs by integrating relevant facts from GKGs. DKGF faces two key challenges: high ambiguity in domain relevance and misalignment in knowledge granularity across graphs. We propose ExeFuse, a simple yet effective Fact-as-Program paradigm. It treats each GKG fact as a latent semantic program, maps abstract relations to granularity-aware operators, and verifies domain relevance via program executability on the target DKG. This unified probabilistic framework jointly resolves relevance and granularity issues. We construct two benchmarks, DKGF(W-I) and DKGF(Y-I), with 21 evaluation configurations. Extensive experiments validate the task's importance and our model's effectiveness, providing the first standardized testbed for DKGF.
• Abstract（参考訳）: ドメイン固有知識グラフ (DKG) は、一般的な知識グラフ (GKG) と比較してカバー範囲を欠くことが多い。 これを解決するために,ドメイン固有知識グラフフュージョン(DKGF)を導入する。これは,GKGから関連する事実を統合することで,DKGを充実させる新しいタスクである。 DKGFは2つの主要な課題に直面している。 簡単なFact-as-ProgramパラダイムであるExeFuseを提案する。 それぞれのGKG事実を潜在意味プログラムとして扱い、抽象的関係を粒度認識演算子にマッピングし、対象のDKG上でプログラム実行可能性を通じてドメイン関連性を検証する。 この統合確率的枠組みは、妥当性と粒度の問題を共同で解決する。 DKGF(W-I) と DKGF(Y-I) の 2 つのベンチマークを構築し,21 個の評価構成を行った。 DKGFの標準テストベッドとして,タスクの重要性とモデルの有効性を検証した。

関連論文リスト

• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• RAKG:Document-level Retrieval Augmented Knowledge Graph Construction [10.013667560362565]
  本稿では,自動文書レベルの知識グラフ構築の課題に焦点をあてる。 ドキュメントレベルの検索知識グラフ構築(RAKG)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-14T02:47:23Z)
• G-OSR: A Comprehensive Benchmark for Graph Open-Set Recognition [54.45837774534411]
  ノードレベルとグラフレベルの両方でグラフオープンセット認識(GOSR)手法を評価するベンチマークである textbfG-OSR を導入する。 結果は、現在のGOSR手法の一般化可能性と限界に関する重要な洞察を与える。
  論文  参考訳（メタデータ） (2025-03-01T13:02:47Z)
• GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation [83.72561905487447]
  本稿では,新しいグラフ基盤モデル (GFM) である GFM-RAG について紹介する。 GFM-RAGは、複雑なクエリ-知識関係をキャプチャするグラフ構造を理由とする、革新的なグラフニューラルネットワークによって実現されている。 効率とニューラルスケーリング法則との整合性を維持しつつ、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-03T07:04:29Z)
• Retrieval-Augmented Generation with Graphs (GraphRAG) [84.29507404866257]
  Retrieval-augmented Generation (RAG) は、追加情報を取得することによって下流タスクの実行を向上させる強力な技術である。 グラフは、その固有の「エッジで接続されたノード」の性質により、巨大な異種情報と関係情報を符号化する。 従来のRAGとは異なり、多種多様な形式とドメイン固有の関係知識のようなグラフ構造化データのユニークさは、異なるドメインでGraphRAGを設計する際、ユニークで重要な課題を生じさせる。
  論文  参考訳（メタデータ） (2024-12-31T06:59:35Z)
• Generating Knowledge Graphs from Large Language Models: A Comparative Study of GPT-4, LLaMA 2, and BERT [0.0]
  本稿では,大規模言語モデル(LLM)を利用してグラフRAGの知識グラフ(KG)を生成する手法を提案する。 精度,リコール,F1スコア,グラフ編集距離,セマンティック類似度などの指標を用いて,高品質なKGを生成する能力を評価する。 その結果,GPT-4はより優れた意味的忠実度と構造的精度を実現し,LLaMA 2は軽量でドメイン固有のグラフに優れており,BERTはエンティティ・リレーショナル・モデリングにおける課題に対する洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-10T11:05:26Z)
• Graphusion: A RAG Framework for Knowledge Graph Construction with a Global Perspective [13.905336639352404]
  この研究は、無料テキストからゼロショットの知識グラフフレームワークであるGraphusionを導入している。 ステップ1では、トピックモデリングを用いてシードエンティティのリストを抽出し、最終KGに最も関連性の高いエンティティを導く。 ステップ2ではLSMを用いて候補三重項抽出を行い、ステップ3では抽出した知識のグローバルなビューを提供する新しい融合モジュールを設計する。
  論文  参考訳（メタデータ） (2024-10-23T06:54:03Z)

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。