論文の概要: AOP-Smart: A RAG-Enhanced Large Language Model Framework for Adverse Outcome Pathway Analysis

• arxiv url: http://arxiv.org/abs/2604.10874v1
• Date: Mon, 13 Apr 2026 00:49:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.260335
• Title: AOP-Smart: A RAG-Enhanced Large Language Model Framework for Adverse Outcome Pathway Analysis
• Title（参考訳）: AOP-Smart: 逆アウトカムパス解析のためのRAG強化大規模言語モデルフレームワーク
• Authors: Qinjiang Niu, Lu Yan,
• Abstract要約: AOP(Adverse Outcome Pathways)は、毒性研究とリスクアセスメントにおいて重要な知識フレームワークである。 大規模言語モデル(LLM)は、AOP関連の質問応答や機械的推論タスクに徐々に適用されてきた。 幻覚問題の存在により、このモデルは事実と矛盾する内容や証拠の欠如を生じる可能性がある。 本研究では,AOP指向のRetrieval-Augmented Generation(RAG)フレームワークであるAOP-Smartを提案する。
• 参考スコア（独自算出の注目度）: 3.432050892192102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adverse Outcome Pathways (AOPs) are an important knowledge framework in toxicological research and risk assessment. In recent years, large language models (LLMs) have gradually been applied to AOP-related question answering and mechanistic reasoning tasks. However, due to the existence of the hallucination problem, that is, the model may generate content that is inconsistent with facts or lacks evidence, their reliability is still limited. To address this issue, this study proposes an AOP-oriented Retrieval-Augmented Generation (RAG) framework, AOP-Smart. Based on the official XML data from AOP-Wiki, this method uses Key Events (KEs), Key Event Relationships (KERs), and specific AOP information to retrieve relevant knowledge for user questions, thereby improving the reliability of the generated results of large language models. To evaluate the effectiveness of the proposed method, this study constructed a test set containing 20 AOP-related question answering tasks, covering KE identification, upstream and downstream KE retrieval, and complex AOP retrieval tasks. Experiments were conducted on three mainstream large language models, Gemini, DeepSeek, and ChatGPT, and comparative tests were performed under two settings: without RAG and with RAG. The experimental results show that, without using RAG, the accuracies of GPT, DeepSeek, and Gemini were 15.0\%, 35.0\%, and 20.0\%, respectively; after using RAG, their accuracies increased to 95.0\%, 100.0\%, and 95.0\%, respectively. The results indicate that AOP-Smart can significantly alleviate the hallucination problem of large language models in AOP knowledge tasks, and greatly improve the accuracy and consistency of their answers.
• Abstract（参考訳）: AOP(Adverse Outcome Pathways)は、毒性研究とリスクアセスメントにおいて重要な知識フレームワークである。 近年,大規模言語モデル (LLM) がAOP関連の質問応答や機械的推論タスクに徐々に応用されている。 しかし、幻覚問題の存在、すなわち、そのモデルは事実と矛盾する内容や証拠の欠如を生み出す可能性があるため、信頼性は依然として限られている。 この問題に対処するため,本研究では,AOP指向のRetrieval-Augmented Generation(RAG)フレームワークであるAOP-Smartを提案する。 AOP-Wikiの公式XMLデータに基づいて、キーイベント(KE)、キーイベント関連(KER)、および特定のAOP情報を用いて、ユーザの質問に対する関連知識を検索し、大きな言語モデルの生成された結果の信頼性を向上させる。 提案手法の有効性を評価するため,20のAOP関連質問応答タスク,KE識別,上流および下流KE検索,複雑なAOP検索タスクを含むテストセットを構築した。 Gemini、DeepSeek、ChatGPTの3つの主要言語モデルで実験を行い、RAGなしで比較試験を行った。 実験の結果,RAGを用いない場合,GPT,DeepSeek,Geminiのアキュラシーは15.0\%,35.0\%,20.0\%であり,それぞれ95.0\%,100.0\%,95.0\%となった。 その結果、AOP-Smartは、AOP知識タスクにおける大規模言語モデルの幻覚問題を著しく軽減し、その解の精度と一貫性を大幅に向上させることができることが示唆された。

関連論文リスト

• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• RAR$^2$: Retrieval-Augmented Medical Reasoning via Thought-Driven Retrieval [25.425621641226815]
  大きな言語モデル(LLM)は、様々な医療ベンチマークで有望なパフォーマンスを示している。 RAGは、外部医療情報を取り入れることで、知識ギャップと幻覚を緩和するための重要なアプローチとして登場した。 我々は、Reasoning-Augmented RetrievalとRetrieval-Augmented Reasoningを改善する共同学習フレームワークであるRAR$2$を提案する。
  論文  参考訳（メタデータ） (2025-09-24T05:35:57Z)
• Improving Multilingual Retrieval-Augmented Language Models through Dialectic Reasoning Argumentations [65.11348389219887]
  そこで,Dialectic-RAG(Dialectic-RAG, DRAG)を提案する。 我々は、文脈内学習戦略と、より小さなモデルをインストラクションするための実演の構築の両方において、我々のフレームワークが与える影響を示す。
  論文  参考訳（メタデータ） (2025-04-07T06:55:15Z)
• DeepRAG: Thinking to Retrieve Step by Step for Large Language Models [92.87532210660456]
  我々はマルコフ決定過程(MDP)として検索強化推論をモデル化するDeepRAGを提案する。 クエリを反復的に分解することで、DeepRAGは外部知識を取得するか、あるいは各ステップでパラメトリック推論に依存するかを動的に決定する。 実験の結果,DeepRAGは検索効率を向上し,回答精度を26.4%向上させ,検索強化推論の有効性を示した。
  論文  参考訳（メタデータ） (2025-02-03T08:22:45Z)
• Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
  我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。 本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。 我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-24T14:52:14Z)
• Multi-Source Knowledge Pruning for Retrieval-Augmented Generation: A Benchmark and Empirical Study [45.69867169347836]
  Retrieval-augmented Generation (RAG) は、大規模言語モデル(LLM)の幻覚を、外部知識の統合によって緩和するための効果的なアプローチである。 本稿では,多様な領域にまたがる構造化知識と非構造化知識を組み合わせたベンチマークデータセットを標準化する。 また,マルチグラニュラリティプルーニング戦略を主特徴とする,プラグアンドプレイのRAGフレームワークである textbfPruningRAG も開発している。
  論文  参考訳（メタデータ） (2024-09-03T03:31:37Z)
• Retrieval-Augmented Generation for Large Language Models: A Survey [17.82361213043507]
  大きな言語モデル(LLM)には印象的な能力があるが、幻覚のような課題に直面している。 Retrieval-Augmented Generation (RAG) は,外部データベースからの知識を取り入れた,有望なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-12-18T07:47:33Z)

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。