論文の概要: Towards Automated Ontology Generation from Unstructured Text: A Multi-Agent LLM Approach

• arxiv url: http://arxiv.org/abs/2604.23090v1
• Date: Sat, 25 Apr 2026 00:58:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.149737
• Title: Towards Automated Ontology Generation from Unstructured Text: A Multi-Agent LLM Approach
• Title（参考訳）: 非構造化テキストの自動オントロジー生成に向けて:マルチエージェントLCMアプローチ
• Authors: Abid Talukder, Maruf Ahmed Mridul, Oshani Seneviratne,
• Abstract要約: 大規模言語モデル(LLM)は将来性を示すが、どのアーキテクチャ設計が生成品質を駆動するかは定かではない。 本研究は、ドメイン固有の保険契約を用いて、これらの課題を調査するための制御された実験的研究である。 その結果,マルチエージェントアプローチは構造的品質を著しく向上し,クエリ可能性も適度に向上することがわかった。
• 参考スコア（独自算出の注目度）: 1.029029220360574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatically generating formal ontologies from unstructured natural language remains a central challenge in knowledge engineering. While large language models (LLMs) show promise, it remains unclear which architectural design choices drive generation quality and why current approaches fail. We present a controlled experimental study using domain-specific insurance contracts to investigate these questions. We first establish a single-agent LLM baseline, identifying key failure modes such as poor Ontology Design Pattern compliance, structural redundancy, and ineffective iterative repair. We then introduce a multi-agent architecture that decomposes ontology construction into four artifact-driven roles: Domain Expert, Manager, Coder, and Quality Assurer. We evaluate performance across architectural quality (via a panel of heterogeneous LLM judges) and functional usability (via competency question driven SPARQL evaluation with complementary retrieval augmented generation based assessment). Results show that the multi-agent approach significantly improves structural quality and modestly enhances queryability, with gains driven primarily by front-loaded planning. These findings highlight planning-first, artifact-driven generation as a promising and more auditable path toward scalable automated ontology engineering.
• Abstract（参考訳）: 構造化されていない自然言語から形式的オントロジーを自動生成することは、知識工学における中心的な課題である。 大きな言語モデル(LLM)は将来性を示しているが、どのアーキテクチャ設計が生成品質を駆動するか、なぜ現在のアプローチが失敗するのかは不明だ。 本研究は,ドメイン固有の保険契約を用いて,これらの課題を調査するための制御実験である。 まず,単一エージェントのLCMベースラインを構築し,オントロジー設計パターンの整合性,構造的冗長性,非効率な反復修復などの重要な障害モードを特定した。 次に、オントロジー構築を4つのアーティファクト駆動の役割であるDomain Expert、Man Manager、Coder、Quality Assurerに分解するマルチエージェントアーキテクチャを紹介します。 アーキテクチャ品質(異種LCM審査員のパネルによる)と機能的ユーザビリティ(コンピテンシー質問駆動SPARQL評価と相補的検索拡張生成に基づく評価)における性能評価を行った。 その結果,マルチエージェントアプローチは構造的品質を著しく向上し,クエリ可能性も適度に向上することがわかった。 これらの知見は、スケーラブルな自動化オントロジーエンジニアリングへの、有望で監査可能なパスとして、計画ファーストでアーティファクト駆動の生成を浮き彫りにしている。

関連論文リスト

• DCD: Domain-Oriented Design for Controlled Retrieval-Augmented Generation [0.0]
  DCD(Domain-Collection-Document)は,RAGシステムにおいて,基礎となる言語モデルを変更することなくクエリ処理を構造化・制御するためのドメイン指向設計である。 提案手法は,構造化モデル出力に基づく情報空間の階層的分解と多段階ルーティングに依存する。 本稿では、DCDアーキテクチャとワークフローを説明し、合成評価データセットにおける結果について議論し、適用されたRAGシナリオにおけるロバスト性、事実精度、回答関連性への影響を強調した。
  論文  参考訳（メタデータ） (2026-04-08T20:47:51Z)
• Can Large Multimodal Models Inspect Buildings? A Hierarchical Benchmark for Structural Pathology Reasoning [7.005450139695288]
  大規模マルチモーダルモデル(LMM)は、アクティブ推論へのパラダイムシフトを約束する。 textitDefectBenchは基本的な意味認識を超えてLMMを問うために設計された最初のベンチマークである。 この作業は厳格なベンチマーク標準と高品質なオープンソースデータベースの両方を提供する。
  論文  参考訳（メタデータ） (2026-03-20T17:24:46Z)
• Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
  RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。 複数の多様な実装設計を生成することで、線形パッチから切り離される。 NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
  論文  参考訳（メタデータ） (2026-03-02T12:50:40Z)
• Cognitively Diverse Multiple-Choice Question Generation: A Hybrid Multi-Agent Framework with Large Language Models [4.155649113742267]
  ReQUESTAは認知学的に多様な多目的質問(MCQ)を生成するためのハイブリッドマルチエージェントフレームワークである 本研究では,学術論文を用いた大規模読解学習における枠組みの評価を行った。 その結果、ReQUESTA生成項目は、より困難であり、差別的であり、全体的な読解能力と強く一致していることがわかった。
  論文  参考訳（メタデータ） (2026-02-03T16:26:47Z)
• Designing Domain-Specific Agents via Hierarchical Task Abstraction Mechanism [61.01709143437043]
  階層型タスク抽象化機構(HTAM)を中心とした新しいエージェント設計フレームワークを提案する。 具体的には、HTAMは、社会的役割のエミュレーションを超えて、代わりに、複数のエージェントシステムを、あるドメインの固有のタスク依存グラフを反映する論理階層に構造化する。 我々は、複雑な地理空間解析に適したマルチエージェントシステムであるEarthAgentとして、このフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2025-11-21T12:25:47Z)
• Reimagining Agent-based Modeling with Large Language Model Agents via Shachi [16.625794969005966]
  大規模言語モデル(LLM)によるマルチエージェントシステムにおける創発的行動の研究は重要な研究課題である。 エージェントのポリシーをコア認知コンポーネントに分解する形式的方法論とモジュラーフレームワークであるShachiを紹介する。 提案手法を総合的な10タスクベンチマークで検証し,新しい科学的探究を通じてその能力を実証する。
  論文  参考訳（メタデータ） (2025-09-26T04:38:59Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• A Survey of Model Architectures in Information Retrieval [59.61734783818073]
  2019年から現在までの期間は、情報検索(IR)と自然言語処理(NLP)における最大のパラダイムシフトの1つとなっている。 従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。 今後の課題と今後の方向性について、先見的な議論で締めくくります。
  論文  参考訳（メタデータ） (2025-02-20T18:42:58Z)

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。