論文の概要: GSI Agent: Domain Knowledge Enhancement for Large Language Models in Green Stormwater Infrastructure

• arxiv url: http://arxiv.org/abs/2603.15643v1
• Date: Tue, 03 Mar 2026 21:37:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.334409
• Title: GSI Agent: Domain Knowledge Enhancement for Large Language Models in Green Stormwater Infrastructure
• Title（参考訳）: GSIエージェント:グリーンストームウォーターインフラにおける大規模言語モデルのドメイン知識向上
• Authors: Shaohuang Wang,
• Abstract要約: グリーン・ストームウォーター・インフラストラクチャー(GSI)システムは、長期的性能を確保するために継続的な検査と保守が必要である。 GSIに関するドメイン知識は、しばしば自治体のマニュアル、規制文書、検査形式に散らばっている。 本稿では,GSI 関連タスクの性能向上を目的とした GSI Agent を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Green Stormwater Infrastructure (GSI) systems, such as permeable pavement, rain gardens, and bioretention facilities, require continuous inspection and maintenance to ensure long-term performance. However, domain knowledge about GSI is often scattered across municipal manuals, regulatory documents, and inspection forms. As a result, non-expert users and maintenance staff may struggle to obtain reliable and actionable guidance from field observations. Although Large Language Models (LLMs) have demonstrated strong general reasoning and language generation capabilities, they often lack domain-specific knowledge and may produce inaccurate or hallucinated answers in engineering scenarios. This limitation restricts their direct application to professional infrastructure tasks. In this paper, we propose GSI Agent, a domain-enhanced LLM framework designed to improve performance in GSI-related tasks. Our approach integrates three complementary strategies: (1) supervised fine-tuning (SFT) on a curated GSI instruction dataset, (2) retrieval-augmented generation (RAG) over an internal GSI knowledge base constructed from municipal documents, and (3) an agent-based reasoning pipeline that coordinates retrieval, context integration, and structured response generation. We also construct a new GSI Dataset aligned with real-world GSI inspection and maintenance scenarios. Experimental results show that our framework significantly improves domain-specific performance while maintaining general knowledge capability. On the GSI dataset, BLEU-4 improves from 0.090 to 0.307, while performance on the common knowledge dataset remains stable (0.304 vs. 0.305). These results demonstrate that systematic domain knowledge enhancement can effectively adapt general-purpose LLMs to professional infrastructure applications.
• Abstract（参考訳）: 透水性舗装、雨庭、生物保護施設などのグリーンストームウォーター・インフラストラクチャー(GSI)システムは、長期的な性能を確保するために継続的な検査と維持が必要である。 しかし、GSIに関するドメイン知識は、しばしば自治体のマニュアル、規制文書、検査書に散らばっている。 結果として、専門家でないユーザや保守スタッフは、現場観測から信頼性が高く行動可能なガイダンスを得るのに苦労する可能性がある。 大きな言語モデル(LLM)は、強い一般的な推論と言語生成能力を示しているが、しばしばドメイン固有の知識が欠如しており、エンジニアリングシナリオにおいて不正確な、あるいは幻覚的な答えをもたらす可能性がある。 この制限は、プロフェッショナルなインフラストラクチャータスクへの直接的な適用を制限する。 本稿では,GSI 関連タスクの性能向上を目的としたドメイン拡張 LLM フレームワーク GSI Agent を提案する。 提案手法は,(1)訓練したGSI命令データセット上での教師付き微調整(SFT),(2)自治体文書から構築された内部GSI知識ベース上での検索強化生成(RAG),(3)検索,コンテキスト統合,構造化応答生成を協調するエージェントベース推論パイプラインの3つの補完戦略を統合する。 また、実世界のGSI検査・保守シナリオに対応する新しいGSIデータセットを構築した。 実験結果から,本フレームワークは汎用知識能力を維持しつつ,ドメイン固有性能を大幅に向上することが示された。 GSIデータセットでは、BLEU-4は0.090から0.307に改善され、共通知識データセットのパフォーマンスは0.304対0.305で安定している。 これらの結果は、体系的なドメイン知識の強化が、汎用LLMをプロのインフラアプリケーションに効果的に適応できることを示している。

関連論文リスト

• Why Does the LLM Stop Computing: An Empirical Study of User-Reported Failures in Open-Source LLMs [50.075587392477935]
  オープンソースのDeepSeek、Llama、Qwenのエコシステムから、705の現実世界の失敗に関する大規模な実証的研究を行った。 ホワイトボックスオーケストレーションは、モデルアルゴリズムの欠陥からデプロイメントスタックのシステム的脆弱性へと、信頼性のボトルネックを移動させます。
  論文  参考訳（メタデータ） (2026-01-20T06:42:56Z)
• Unleashing the Capabilities of Large Vision-Language Models for Intelligent Perception of Roadside Infrastructure [12.667510244197047]
  汎用モデルは、しばしば必要なきめ細かい属性やドメイン・ルールを捉えるのに苦労する。 本稿では,Large Vision Language Modelsをインテリジェントインフラストラクチャ分析のための特殊なエージェントに変換するドメイン適応フレームワークを提案する。 本フレームワークは58.9mAPの検知性能と95.5%の属性認識精度を実現する。
  論文  参考訳（メタデータ） (2026-01-15T16:16:34Z)
• KEO: Knowledge Extraction on OMIn via Knowledge Graphs and RAG for Safety-Critical Aviation Maintenance [43.78384523553438]
  本稿では,大規模言語モデル(LLM)を用いたドメイン固有知識抽出・推論フレームワークを提案する。 運用・保守インテリジェンス(OMIn)データセットを用いて,グローバルなセンスメイキングと実行可能なメンテナンスタスクにまたがるQAベンチマークを構築した。 実験の結果、KEOはパターンやシステムレベルの洞察を明らかにすることで、グローバルなセンス作りを著しく改善し、テキストチャンクRAGは、きめ細かい手続き作業に有効であることがわかった。
  論文  参考訳（メタデータ） (2025-10-07T02:29:13Z)
• GRE Suite: Geo-localization Inference via Fine-Tuned Vision-Language Models and Enhanced Reasoning Chains [20.788130896943663]
  Geo Reason Enhancement (GRE) Suiteは、解釈可能な位置推論のための構造化推論チェーンを備えたビジュアル言語モデルを拡張する新しいフレームワークである。 まず、GRE30Kという、きめ細かい視覚的・文脈的分析を容易にするために設計された高品質なジオローカライゼーション推論データセットを紹介する。 次に,シーン属性,局所的詳細,意味的特徴を段階的に推測する多段階推論手法を用いて,GREモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-24T13:48:57Z)
• Enhancing Large Language Models (LLMs) for Telecommunications using Knowledge Graphs and Retrieval-Augmented Generation [52.8352968531863]
  大規模言語モデル(LLM)は、汎用自然言語処理タスクにおいて大きな進歩を遂げている。 本稿では,知識グラフ(KG)と検索拡張生成(RAG)技術を組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-31T15:58:08Z)
• FederatedScope-GNN: Towards a Unified, Comprehensive and Efficient Package for Federated Graph Learning [65.48760613529033]
  フェデレートグラフ学習(FGL)は、その特徴と要求のため、十分にサポートされていない。 まず、使い易いFGLパッケージを作成する際の課題について議論し、実装済みのFederatedScope-GNN(FS-G)を提示する。 我々は,FS-Gの有効性を広範囲な実験によって検証し,同時にコミュニティにとってのFGLに関する貴重な洞察を得る。
  論文  参考訳（メタデータ） (2022-04-12T06:48:06Z)

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。