論文の概要: Beyond Predefined Schemas: TRACE-KG for Context-Enriched Knowledge Graphs from Complex Documents
- arxiv url: http://arxiv.org/abs/2604.03496v1
- Date: Fri, 03 Apr 2026 22:41:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.609403
- Title: Beyond Predefined Schemas: TRACE-KG for Context-Enriched Knowledge Graphs from Complex Documents
- Title（参考訳）: 事前定義されたスキーマを超えて: 複雑なドキュメントからのコンテキスト拡張知識グラフのためのTRACE-KG
- Abstract要約: TRACE-KG (Text-diven schemA for Context-Enriched Knowledge Graphs) はコンテキスト強化知識グラフと帰納スキーマを共同で構築するフレームワークである。
TRACE-KGは構造的に一貫性があり、トレース可能な知識グラフを生成する。
- 参考スコア（独自算出の注目度）: 12.445872440074114
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge graph construction typically relies either on predefined ontologies or on schema-free extraction. Ontology-driven pipelines enforce consistent typing but require costly schema design and maintenance, whereas schema-free methods often produce fragmented graphs with weak global organization, especially in long technical documents with dense, context-dependent information. We propose TRACE-KG (Text-dRiven schemA for Context-Enriched Knowledge Graphs), a multimodal framework that jointly constructs a context-enriched knowledge graph and an induced schema without assuming a predefined ontology. TRACE-KG captures conditional relations through structured qualifiers and organizes entities and relations using a data-driven schema that serves as a reusable semantic scaffold while preserving full traceability to the source evidence. Experiments show that TRACE-KG produces structurally coherent, traceable knowledge graphs and offers a practical alternative to both ontology-driven and schema-free construction pipelines.
- Abstract（参考訳）: 知識グラフの構成は通常、事前に定義されたオントロジーかスキーマなしの抽出に依存する。
オントロジー駆動のパイプラインは一貫性のある型付けを強制するが、コストのかかるスキーマ設計とメンテナンスを必要とする。
本研究では,文脈拡張知識グラフと帰納的スキーマを事前定義されたオントロジーを仮定することなく,協調的に構築するマルチモーダルフレームワークであるTRACE-KGを提案する。
TRACE-KGは構造化された修飾子を通して条件付き関係をキャプチャし、データ駆動スキーマを使用してエンティティと関係を整理する。
実験により、TRACE-KGは構造的に一貫性のあるトレーサブルな知識グラフを生成し、オントロジー駆動型とスキーマフリーな構築パイプラインの両方に代わる実用的な代替手段を提供することが示された。
関連論文リスト
- Executable Schema Contracts: From Automatic Ingestion to Multi-Source Retrieval [19.3757623473603]
実世界のデータは、暗黙のセマンティクスを持つテーブル、ドキュメント、半構造化ファイルにまたがる。
生のマルチソースデータから実行可能なスキーマを自動的に検出するシステムを提案する。
論文 参考訳（メタデータ） (2026-06-03T20:28:36Z) - Generating Logically Consistent Synthetic Supply Chain Data with LLM-Driven Knowledge Graph Reasoning [51.78065387034195]
本稿では,論理的に一貫した合成サプライチェーンデータ生成のための知識グラフ誘導フレームワークであるtextbftextitTabKGを紹介する。
論文 参考訳（メタデータ） (2026-05-26T10:41:37Z) - KGPFN: Unlocking the Potential of Knowledge Graph Foundation Model via In-Context Learning [51.44698654440413]
知識グラフ(KG)基盤モデルは、伝達可能な関係構造を学習することによって、目に見えない実体と関係を持つグラフを一般化することを目的としている。
そこで我々は,KGPFNを提案する。KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN,KGPFN。
57KGベンチマークの実験では、KGPFNは、文脈内学習だけで、これまで見られなかったグラフに強く適応することを示した。
論文 参考訳（メタデータ） (2026-05-14T14:41:19Z) - STEM: Structure-Tracing Evidence Mining for Knowledge Graphs-Driven Retrieval-Augmented Generation [16.213081669689185]
Structure-Tracing Evidence Mining (STEM)は、スキーマ誘導グラフ検索タスクとしてマルチホップ推論を再構成する新しいフレームワークである。
グラフ構築過程において,グローバルな構造情報をより効率的に統合するために,トリプル依存型GNNを設計する。
STEMはマルチホップ推論グラフ検索の精度とエビデンス完全性の両方を著しく改善し、マルチホップベンチマークにおけるステート・オブ・ザ・アート性能を達成する。
論文 参考訳（メタデータ） (2026-04-24T06:56:58Z) - DIAL-KG: Schema-Free Incremental Knowledge Graph Construction via Dynamic Schema Induction and Evolution-Intent Assessment [13.356289183534223]
DIAL KGは、インクリメンタルな知識グラフ構築のためのクローズドループフレームワークである。
これは、構築されたグラフと誘導されたスキーマの両方の品質において、最先端(SOTA)のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-20T15:39:22Z) - Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。
次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。
ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
論文 参考訳（メタデータ） (2025-06-06T10:07:21Z) - Talking to GDELT Through Knowledge Graphs [0.6153162958674417]
本研究では,各アプローチの強みと弱みを質問応答解析で把握するために,様々なRAG(Retrieval Augmented Regeneration)アプローチについて検討する。
テキストコーパスから情報を取得するために,従来のベクトルストアRAGと,最先端の大規模言語モデル(LLM)に基づくアプローチを実装した。
論文 参考訳（メタデータ） (2025-03-10T17:48:10Z) - Mixture of Structural-and-Textual Retrieval over Text-rich Graph Knowledge Bases [78.62158923194153]
テキストリッチなグラフ知識ベース(TG-KB)は、テキストおよび構造的知識を提供することで、クエリに応答する上でますます重要になっている。
本研究では,これら2種類の知識を計画・推論・組織化フレームワークを用いて検索するための構造・テキスト検索(MoR)の混合を提案する。
論文 参考訳（メタデータ） (2025-02-27T17:42:52Z) - Ontology-grounded Automatic Knowledge Graph Construction by LLM under Wikidata schema [60.42231674887294]
本稿では,Large Language Models (LLMs) を用いた知識グラフ構築のためのオントロジー的アプローチを提案する。
我々は、一貫性と解釈可能性を確保するために、抽出された関係に基づいて、著者によるオントロジーによるKGの基底生成を行う。
我々の研究は、人間の介入を最小限に抑えたスケーラブルなKG建設パイプラインの実現に向けて有望な方向を示し、高品質で人間に解釈可能なKGを生み出す。
論文 参考訳（メタデータ） (2024-12-30T13:36:05Z) - Schema-adaptable Knowledge Graph Construction [47.772335354080795]
従来の知識グラフ構築(KGC)アプローチは、通常、事前定義されたスキーマの閉じたセットで静的情報抽出パラダイムに従う。
我々は,スキーマ適応型KGCと呼ばれる新しいタスクを提案する。このタスクは,動的に変化するスキーマグラフに基づいて,再学習せずにエンティティ,リレーション,イベントを継続的に抽出することを目的としている。
論文 参考訳（メタデータ） (2023-05-15T15:06:20Z)
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。