論文の概要: SSKG Hub: An Expert-Guided Platform for LLM-Empowered Sustainability Standards Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2603.00669v1
- Date: Sat, 28 Feb 2026 14:24:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.316989
- Title: SSKG Hub: An Expert-Guided Platform for LLM-Empowered Sustainability Standards Knowledge Graphs
- Title（参考訳）: SSKG Hub: LLMを利用したサステナビリティ標準知識グラフのためのエキスパートガイド付きプラットフォーム
- Authors: Chaoyue He, Xin Zhou, Xinjia Yu, Lei Zhang, Yan Zhang, Yi Wu, Lei Xiao, Liangyue Li, Di Wang, Hong Xu, Xiaoqiao Wang, Wei Liu, Chunyan Miao,
- Abstract要約: 本稿では,サステナビリティ標準を監査可能な知識グラフに変換するプロトタイプとインタラクティブなWebプラットフォームであるSSKG Hubを紹介する。
このシステムは、自動化された標準識別、チャンキング、標準固有のプロンプト、堅牢な3重解析、および証明可能なNeo4jストレージを統合している。
ロールベースのガバナンスフレームワークは、リードオンリーのゲストアクセス、エキスパートレビュー、メタエキスパート認定、管理監督をカバーしている。
- 参考スコア（独自算出の注目度）: 45.81070868196074
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sustainability disclosure standards (e.g., GRI, SASB, TCFD, IFRS S2) are comprehensive yet lengthy, terminology-dense, and highly cross-referential, hindering structured analysis and downstream use. We present SSKG Hub (Sustainability Standards Knowledge Graph Hub), a research prototype and interactive web platform that transforms standards into auditable knowledge graphs (KGs) through an LLM-centered, expert-guided pipeline. The system integrates automatic standard identification, configurable chunking, standard-specific prompting, robust triple parsing, and provenance-aware Neo4j storage with fine-grained audit metadata. LLM extraction produces a provenance-linked Draft KG, which is reviewed, curated, and formally promoted to a Certified KG through meta-expert adjudication. A role-based governance framework covering read-only guest access, expert review and CRUD operations, meta-expert certification, and administrative oversight ensures traceability and accountability across draft and certified states. Beyond graph exploration and triple-level evidence tracing, SSKG Hub supports cross-KG fusion, KG-driven tasks, and dedicated modules for insights and curated resources. We validate the platform through a comprehensive expert-led KG review case study that demonstrates end-to-end curation and quality assurance. The web application is publicly available at www.sskg-hub.com.
- Abstract（参考訳）: 持続可能性開示標準(例えば、GRI、SASB、TFD、IFRS S2)は、包括的ながら長大であり、用語密度であり、高度に相互参照的であり、構造化解析と下流利用を妨げる。
SSKG Hub(Sustainability Standards Knowledge Graph Hub)は,標準を監査可能な知識グラフ(KG)に変換する,研究プロトタイプおよびインタラクティブなWebプラットフォームである。
このシステムは、自動化された標準識別、設定可能なチャンキング、標準固有のプロンプト、堅牢な3重解析、詳細な監査メタデータを備えた証明可能なNeo4jストレージを統合する。
LLM抽出は、メタエキスパートの判断を通じて、証明されたKGをレビューし、キュレートし、正式に認定されたKGに昇格させる、プロフェランスリンクされたドラフトKGを生成する。
リードオンリーのゲストアクセス、エキスパートレビュー、CRUD操作、メタエキスパート認定、管理上の監督を含むロールベースのガバナンスフレームワークは、ドラフトと認定された州間でトレーサビリティと説明責任を保証する。
グラフ探索と3段階のエビデンストレースに加えて、SSKG Hubは、クロスKG融合、KG駆動タスク、洞察とキュレーションされたリソースのための専用のモジュールをサポートする。
我々は、エンドツーエンドのキュレーションと品質保証を実証する総合的な専門家主導のKGレビューケーススタディを通じて、プラットフォームを検証する。
Webアプリケーションはwww.sskg-hub.comで公開されている。
関連論文リスト
- KORAL: Knowledge Graph Guided LLM Reasoning for SSD Operational Analysis [10.530082170806146]
Solid State Drives(SSD)は、データセンタ、コンシューマプラットフォーム、ミッションクリティカルなシステムに不可欠である。
既存の方法は、限られた洞察のみを提供しながら、大規模なデータセットとエキスパートインプットを要求する。
構造化知識グラフ(KG)とLarge Language Models(LLM)を統合した知識駆動推論フレームワークKORALを提案する。
生成したSSD固有のKGを公開し、知識ベースストレージシステム分析における再現可能な研究を進める。
論文 参考訳（メタデータ） (2026-02-10T19:40:36Z) - Can Knowledge-Graph-based Retrieval Augmented Generation Really Retrieve What You Need? [57.28763506780752]
GraphFlowは、テキストリッチなKGから現実世界のクエリに必要な正確で多様な知識を効率的に取得するフレームワークである。
GPT-4oを含む強力なKG-RAGベースラインを10%上回り、ヒット率とリコール率で上回る。
また、KGを見えないものに強く一般化し、その有効性と堅牢性を示す。
論文 参考訳（メタデータ） (2025-10-18T17:06:49Z) - 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) - RAGulating Compliance: A Multi-Agent Knowledge Graph for Regulatory QA [0.0]
規制コンプライアンス質問応答(QA)は、正確で検証可能な情報を必要とする。
我々は、レギュレーション三重項の知識グラフ(KG)とレトリーバル拡張生成(RAG)を統合する新しいマルチエージェントフレームワークを提案する。
我々のハイブリッドシステムは、複雑な規制クエリにおいて従来の手法よりも優れており、組込み三重項による事実の正しさが保証されている。
論文 参考訳（メタデータ） (2025-08-13T15:51:05Z) - MMESGBench: Pioneering Multimodal Understanding and Complex Reasoning Benchmark for ESG Tasks [56.350173737493215]
環境・社会・ガバナンス(ESG)報告は、持続可能性の実践の評価、規制コンプライアンスの確保、財務透明性の促進に不可欠である。
MMESGBenchは、マルチモーダル理解と複雑な推論を、構造的に多種多様なマルチソースESG文書間で評価するための、最初のベンチマークデータセットである。
MMESGBenchは、45のESG文書から得られた933の検証済みQAペアで構成され、7つの異なるドキュメントタイプと3つの主要なESGソースカテゴリにまたがる。
論文 参考訳（メタデータ） (2025-07-25T03:58:07Z) - Diagnosing and Addressing Pitfalls in KG-RAG Datasets: Toward More Reliable Benchmarking [63.84117489519164]
知識グラフ質問 回答システムは、複雑なマルチホップ推論を評価するために高品質なベンチマークに依存している。
広く使われているにもかかわらず、WebQSPやCWQのような一般的なデータセットは、重要な品質問題に悩まされている。
我々はこれらの落とし穴を体系的に解決するLLM-in-the-loopフレームワークであるKGQAGenを紹介する。
本研究は,KGQA評価を推し進めるスケーラブルなフレームワークとして,より厳密なベンチマーク構築とKGQAGenの位置づけを提唱する。
論文 参考訳（メタデータ） (2025-05-29T14:44:52Z) - ClaimPKG: Enhancing Claim Verification via Pseudo-Subgraph Generation with Lightweight Specialized LLM [3.864321514889099]
ClaimPKGは、LLM推論と知識グラフ(KG)からの構造化知識をシームレスに統合するエンドツーエンドフレームワークである。
ClaimPKGは最先端のパフォーマンスを達成し、複数のカテゴリで9%-12%の精度で高いベースラインを達成している。
論文 参考訳（メタデータ） (2025-05-28T16:34:14Z) - Leveraging LLM for Automated Ontology Extraction and Knowledge Graph Generation [3.2513035377783717]
OntoKGenは、オントロジー抽出と知識グラフ生成のための真のパイプラインである。
OntoKGenは、Neo4jのようなスキーマレスで非リレーショナルなデータベースへのシームレスな統合を可能にする。
論文 参考訳（メタデータ） (2024-11-30T23:11:44Z) - Decoding on Graphs: Faithful and Sound Reasoning on Knowledge Graphs through Generation of Well-Formed Chains [66.55612528039894]
知識グラフ(KG)は質問応答(QA)のための信頼できる知識ソースとして機能する。
我々は、LLMとKGの深い相乗効果を促進する新しいフレームワークであるDoG(Decoding on Graphs)を提案する。
様々なKGQAタスクに対して異なるバックグラウンドKGを用いた実験により、DoGが優れた、堅牢なパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-10-24T04:01:40Z) - KG-GPT: A General Framework for Reasoning on Knowledge Graphs Using
Large Language Models [18.20425100517317]
本稿では,知識グラフを用いたタスクに対して,大規模言語モデルを活用するフレームワークであるKG-GPTを提案する。
KG-GPTは文の分割、関連するグラフコンポーネントの検索、論理的結論の導出という3つのステップから構成される。
KGベースの事実検証とKGQAベンチマークを用いてKG-GPTを評価する。
論文 参考訳（メタデータ） (2023-10-17T12:51:35Z)
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。