論文の概要: Unifying Ontology Construction and Semantic Alignment for Deterministic Enterprise Reasoning at Scale
- arxiv url: http://arxiv.org/abs/2604.09608v1
- Date: Wed, 11 Mar 2026 09:45:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-19 19:09:11.549464
- Title: Unifying Ontology Construction and Semantic Alignment for Deterministic Enterprise Reasoning at Scale
- Title（参考訳）: 大規模意思決定型エンタープライズ推論のためのオントロジー構築とセマンティックアライメント
- Abstract要約: オントロジー構築,セマンティックアライメント,論理的推論をシームレスに統合する統合フレームワークである大規模オントロジーモデル(LOM)を導入する。
LOMはコンストラクト・アライン・レアソン(CAR)パイプラインを採用しており、3つのステージにまたがる統一アーキテクチャを活用している。
我々は,様々な実世界のエンタープライズデータセットから構築した総合的なベンチマークでLOMを評価する。
- 参考スコア（独自算出の注目度）: 1.5446818009325962
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While enterprises amass vast quantities of data, much of it remains chaotic and effectively dormant, preventing decision-making based on comprehensive information. Existing neuro-symbolic approaches rely on disjoint pipelines and struggle with error propagation. We introduce the large ontology model (LOM), a unified framework that seamlessly integrates ontology construction, semantic alignment, and logical reasoning into a single end-to-end architecture. LOM employs a construct-align-reason (CAR) pipeline, leveraging its unified architecture across all three stages: it first autonomously constructs a domain-specific ontological universe from raw data, then aligns neural generation with this structural reality using a graph-aware encoder and reinforcement learning, and finally executes deterministic reasoning over the constructed topology, node attributes and relation types. We evaluate LOM on a comprehensive benchmark constructed from diverse real-world enterprise datasets. Experimental results demonstrate that LOM-4B achieves 88.8% accuracy in ontology completion and 94% in complex graph reasoning tasks, significantly outperforming state-of-the-art LLMs. These findings validate that autonomous logical construction is essential for achieving deterministic, enterprise-grade intelligence.
- Abstract（参考訳）: 企業は膨大な量のデータを収集するが、そのほとんどがカオス的かつ効果的に休息状態であり、包括的な情報に基づく意思決定を妨げている。
既存のニューロシンボリックアプローチは、解離パイプラインとエラーの伝播に苦労している。
我々は、オントロジー構築、セマンティックアライメント、論理的推論を1つのエンドツーエンドアーキテクチャにシームレスに統合する統合フレームワークである大規模オントロジーモデル(LOM)を導入する。
まず、生データからドメイン固有の存在論的宇宙を自律的に構築し、次にグラフ認識エンコーダと強化学習を用いてニューラルネットワークをこの構造的現実と整合させ、最終的に構築されたトポロジ、ノード属性、関係タイプに対して決定論的推論を実行する。
我々は,様々な実世界のエンタープライズデータセットから構築した総合的なベンチマークでLOMを評価する。
実験結果から、LOM-4Bはオントロジー完了の精度88.8%、複雑なグラフ推論のタスクの94%を達成し、最先端のLCMよりも大幅に優れていた。
これらの結果は、自律的な論理的構築が決定論的、企業レベルの知性を達成するために不可欠であることを証明している。
関連論文リスト
- Toward Effective and Reliable LLM Agents via Dynamic Ontology [21.48160246568531]
大規模モデル言語(LLM)エージェントは、モデルパラメータにエンコードされた知識や、構造化されていないコンテキストとして提示された知識に大きく依存する。
これはしばしば不完全な証拠の使用と脆い多段階決定をもたらす。
オントロジーは、ドメインの概念と関係を機械解釈可能な構造として外部化する方法を提供する。
本稿では,タスク指向LLMエージェントを動的に構築・洗練するオントロジー・アズ・ア・カーネルフレームワークであるOaKを紹介する。
論文 参考訳（メタデータ） (2026-08-24T08:33:42Z) - CDFM: Towards a General-Purpose Causal Discovery Foundation Model [62.32138962508216]
因果発見は、観測データから根底にある因果構造を復元する過程である。
ゼロショット構造推論のための統一的汎用フレームワークとしてCausal Discovery Foundation Model (CDFM) を定式化する。
CDFMは従来のアルゴリズムを一貫して上回り、汎用因果発見基盤モデルへのパラダイムシフトを推進している。
論文 参考訳（メタデータ） (2026-07-13T12:58:28Z) - Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。
CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-06-09T09:09:07Z) - Architecture Matters More Than Scale: A Comparative Study of Retrieval and Memory Augmentation for Financial QA Under SME Compute Constraints [8.036549927091286]
大規模言語モデル (LLM) が, 現実的な財務業務においてどのように機能するかを示す。
本稿では,数値精度,監査可能性,インフラストラクチャ効率のバランスをとるための推論戦略を動的に選択するハイブリッドデプロイメントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-20T08:59:41Z) - FORGE: Fine-grained Multimodal Evaluation for Manufacturing Scenarios [58.34124792457706]
製造業セクターは、単純な認識から自律的な実行に移行するために、MLLM(Multimodal Large Language Models)をますます採用している。
進捗は、データの不足と、既存のデータセットにおけるきめ細かいドメインセマンティクスの欠如によって妨げられている。
まず、実世界の2D画像と3Dポイントクラウドを組み合わせて、微粒なドメインセマンティクスを付加した高品質なデータセットを構築します。
次に, 3 つの製造課題,すなわち, 構造面検査, 組立検査, 組立検証の18の最先端MLLMを評価し, 大幅な性能差を明らかにした。
論文 参考訳（メタデータ） (2026-04-08T12:23:27Z) - On Multi-Step Theorem Prediction via Non-Parametric Structural Priors [50.16583672681106]
本研究では,インコンテキスト学習(ICL)のレンズによる学習自由な定理予測について検討する。
本稿では,過去の解の時間的依存関係を有向グラフとしてエンコードし,推論中に探索空間を効果的に引き起こす明示的なトポロジ的制約を課すTheorem Precedence Graphsを提案する。
FormalGeo7kベンチマークの実験から,本手法は89.29%の精度を実現し,ICLベースラインを著しく上回り,最先端の教師付きモデルに適合することがわかった。
論文 参考訳（メタデータ） (2026-03-05T06:08:50Z) - OpenEarthAgent: A Unified Framework for Tool-Augmented Geospatial Agents [68.85365034738534]
本稿では,衛星画像,自然言語クエリ,詳細な推論トレースに基づいて学習したツール拡張された地理空間エージェントを開発するための統一的なフレームワークを提案する。
トレーニングパイプラインは、構造化推論軌道上の教師付き微調整に依存し、モデルを検証された多段階ツールの相互作用と整合させる。
付随コーパスは、14,538のトレーニングと1,169の評価インスタンスから構成され、トレーニングスプリットでは100K以上の推論ステップ、評価スプリットでは7K以上の推論ステップがある。
論文 参考訳（メタデータ） (2026-02-19T18:59:54Z) - LLM-Driven Ontology Construction for Enterprise Knowledge Graphs [0.0]
本稿では,企業データからのドメイン固有非構造生成を高速化するパイプラインであるOntoEKGを紹介する。
提案手法では,モデルタスクを,コアクラスとプロパティを識別する抽出モジュールと,それらの要素を論理的に階層化し,それらを標準RDFにシリアライズするエンテーメントモジュールという,2つの異なるフェーズに分解する。
エンドツーエンドの構築のための包括的なベンチマークの欠如に対処するため、私たちは、データ、ファイナンス、ロジスティックスの各分野にわたる文書から派生した、新たな評価データセットを採用しました。
論文 参考訳（メタデータ） (2026-02-01T15:13:30Z) - Construct, Align, and Reason: Large Ontology Models for Enterprise Knowledge Management [9.901440359781732]
従来の知識グラフは暗黙の関係発見に苦慮し、複雑な質問に対する十分な意味理解が欠けている。
我々は,大規模オントロジーモデル (LOM) である統合構成-アライン-レアソンフレームワークを導入する。
構造理解を改善するため,オントロジー命令の微調整,ノードセマンティックエンコーディングを強化するためにテキストオントロジーを基礎とする,カリキュラム学習によるオントロジー言語対をマルチタスクでチューニングし,セマンティック推論を強化する,という3段階の訓練パイプラインを提案する。
論文 参考訳（メタデータ） (2026-01-18T05:30:03Z) - Modeling and Visualization Reasoning for Stakeholders in Education and Industry Integration Systems: Research on Structured Synthetic Dialogue Data Generation Based on NIST Standards [3.5516803380598074]
本研究では,教育産業統合(EII)システムにおける利害関係者の相互作用の構造的複雑さと意味的あいまいさに対処する。
我々は,NIST(National Institute of Standards and Technology)合成データ品質フレームワークに基づく構造モデリングパラダイムを提案する。
論文 参考訳（メタデータ） (2025-06-20T12:37:43Z) - Can LLMs Reason Structurally? An Evaluation via the Lens of Data Structures [21.390740746718947]
DSR-Benchは,大規模言語モデルの構造的推論を体系的に評価する最初のベンチマークである。
ベンチマークは、20のデータ構造、35の操作、および、最小限の汚染で合成生成された4,140の問題インスタンスにまたがる。
論文 参考訳（メタデータ） (2025-05-29T23:24:53Z) - LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and
Reasoning [73.98142349171552]
LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。
ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。
これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
論文 参考訳（メタデータ） (2023-09-24T05:43:19Z)
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。