論文の概要: BIM Information Extraction Through LLM-based Adaptive Exploration

• arxiv url: http://arxiv.org/abs/2605.01698v1
• Date: Sun, 03 May 2026 03:40:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.888015
• Title: BIM Information Extraction Through LLM-based Adaptive Exploration
• Title（参考訳）: LLMに基づく適応探索によるBIM情報抽出
• Authors: Sylvain Hellin, Suhyung Jang, Stefan Fuchs, Stavros Nousias, André Borrmann,
• Abstract要約: 本稿では,エージェントがBIMモデルから情報を抽出するコードを反復的に実行し,その構造を仮定せずに実行時に発見する適応探索手法を提案する。 この手法を,オープンソースのBIM質問応答ベンチマークであるifc-bench v2で評価した。 2つのLLM能力レベルと4つの拡張戦略にまたがる因子的アブレーションは、適応的な探索が全ての構成における静的クエリ生成を著しく上回っていることを示している。
• 参考スコア（独自算出の注目度）: 0.7829352305480287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: BIM models provide structured representations of building geometry, semantics, and topology, yet extracting specific information from them remains remarkably difficult. Current approaches translate natural language into structured queries by assuming a fixed data organization (static approach), which BIM heterogeneity eventually invalidates. We address this with a new paradigm, adaptive exploration, where an LLM-based agent iteratively executes code to extract information from a BIM model, discovering its structure at runtime instead of assuming it. We evaluate this approach on ifc-bench v2, an open-source BIM question-answering benchmark introduced alongside this work, comprising 1,027 tasks across 37 IFC models from 21 projects. A factorial ablation across two LLM capability levels and four augmentation strategies shows that adaptive exploration significantly outperforms static query generation across all configurations, regardless of the augmentation strategy. These results indicate that BIM heterogeneity is best addressed at the paradigm level, not by further optimizing static approaches.
• Abstract（参考訳）: BIMモデルは、構造幾何学、意味論、トポロジーの構造化された表現を提供するが、それらから特定の情報を抽出することは非常に困難である。 現在のアプローチでは、BIMの不均一性が最終的に無効となる固定データ構造(静的アプローチ)を仮定して、自然言語を構造化クエリに変換する。 我々は、LLMベースのエージェントがBIMモデルから情報を抽出するコードを反復的に実行し、その構造を仮定せずに実行時に発見する、新しいパラダイムである適応探索を用いてこの問題に対処する。 本研究と並行して導入したオープンソースのBIM質問応答ベンチマークであるifc-bench v2に対して,21のプロジェクトから37のIFCモデルにまたがる1,027のタスクについて,このアプローチを評価した。 2つのLLM能力レベルと4つの拡張戦略による因子的アブレーションは、適応探索が拡張戦略にかかわらず、すべての構成における静的クエリ生成を著しく上回っていることを示している。 これらの結果から, BIMの不均一性は, 静的アプローチのさらなる最適化によってではなく, パラダイムレベルでの最適対応であることが示唆された。

関連論文リスト

• CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning [67.18702329644526]
  CoT Referringは、構造化されたチェーン・オブ・シークレット・トレーニングデータ構造を通じて、モデル推論をモダリティにわたって強化する。 トレーニングデータを再構築して、新たな出力フォームを実行し、既存のデータセットに新たなアノテーションを提供します。 また、検出とセグメント化機能を統合MLLMフレームワークに統合し、新しい適応重み付き損失で学習して性能を最適化する。
  論文  参考訳（メタデータ） (2025-10-03T08:50:21Z)
• STARE at the Structure: Steering ICL Exemplar Selection with Structural Alignment [24.80531387685099]
  本稿では,効率,一般化性,性能のバランスを保った2段階の模範選択戦略を提案する。 まず、BERTベースのレトリバーを構造意識の監視を用いて微調整し、意味論的に関連性があり構造的に整合した模範を選定する。 次に,隠れ表現において構文的に意味のある情報を増幅するプラグインモジュールを用いて,検索機能を強化した。
  論文  参考訳（メタデータ） (2025-08-28T16:04:39Z)
• Domain-Specific Fine-Tuning and Prompt-Based Learning: A Comparative Study for developing Natural Language-Based BIM Information Retrieval Systems [2.686558478755501]
  自然言語インタフェース(NLI)システムは,建築情報モデリング環境において,情報検索のためのユーザフレンドリなツールとして研究されている。 その可能性にもかかわらず、自然言語クエリを通して正確にBIM関連のデータを抽出することは、依然として永続的な課題である。 本研究では,NLIに基づくBIM情報検索システムを構築するための2つの重要なアプローチの比較分析を行った。
  論文  参考訳（メタデータ） (2025-08-05T08:51:51Z)
• Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
  Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。 AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。 結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
  論文  参考訳（メタデータ） (2025-07-22T06:37:51Z)
• MMKB-RAG: A Multi-Modal Knowledge-Based Retrieval-Augmented Generation Framework [15.410873298893817]
  MMKB-RAG(Multi-Modal Knowledge-based Retrieval-Augmented Generation)を提案する。 このフレームワークは、モデル固有の知識境界を利用して、検索プロセスのセマンティックタグを動的に生成する。 知識に基づく視覚的質問応答タスクに関する大規模な実験は、我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2025-04-14T10:19:47Z)
• Adaptive Pruning for Large Language Models with Structural Importance Awareness [66.2690963378878]
  大規模言語モデル(LLM)は言語理解と生成能力を大幅に改善した。 LLMは、高い計算およびストレージリソース要求のため、リソース制約のあるエッジデバイスにデプロイするのは難しい。 モデル性能を維持しつつ,計算コストとメモリコストを大幅に削減する構造的適応型プルーニング(SAAP)を提案する。
  論文  参考訳（メタデータ） (2024-12-19T18:08:04Z)
• StructGPT: A General Framework for Large Language Model to Reason over Structured Data [117.13986738340027]
  我々は,構造化データに基づく質問応答タスクの解法として,emphIterative Reading-then-Reasoning(IRR)アプローチを開発した。 提案手法はChatGPTの性能を大幅に向上させ,全データの教師付きベースラインに対して同等のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-05-16T17:45:23Z)
• An ontology-aided, natural language-based approach for multi-constraint BIM model querying [0.0]
  本稿では,異なる制約を含む自然言語クエリ(NLQ)を,複雑なBIMモデルを問合せするためのコンピュータ可読コードに自動的にマッピングする,新しいオントロジー支援セマンティクスを提案する。 実世界の住宅ビルの設計チェックに関する事例研究は,建設業における提案手法の実践的価値を実証している。
  論文  参考訳（メタデータ） (2023-03-27T11:35:40Z)
• Improving Meta-learning for Low-resource Text Classification and Generation via Memory Imitation [87.98063273826702]
  本稿では,メモリ模倣メタラーニング(MemIML)手法を提案する。 本手法の有効性を証明するために理論的解析を行った。
  論文  参考訳（メタデータ） (2022-03-22T12:41:55Z)

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。