論文の概要: Unlocking Crowdsourcing for Ontology Matching Validation
- arxiv url: http://arxiv.org/abs/2605.12226v2
- Date: Tue, 19 May 2026 16:10:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 21:37:32.318559
- Title: Unlocking Crowdsourcing for Ontology Matching Validation
- Title（参考訳）: オントロジーマッチング検証のためのクラウドソーシングのアンロック
- Authors: Zhangcheng Qiang,
- Abstract要約: 大規模言語モデル(LLM)はオントロジーマッチング(OM)に新たな課題をもたらす
ドメインエキスパートに依存する従来のOMバリデーションは圧倒的なものになっています。
我々は,OM検証のためのクラウドソーシングの品質を確保するため,ドメイン固有の3つのメカニズム,すなわち,信頼度の違い,コヒーレンス前処理,時間依存の意見を提案する。
我々は,既存のOMシステムとクラウドソーシングシステムを統合することで,人間のループ検証を可能にすることを実証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in large language models (LLMs) pose new challenges for ontology matching (OM). While OM systems built on LLMs have shown remarkable capabilities in discovering more matching candidates, traditional OM validation that relies on domain experts has become overwhelming. In this study, we explore the use of crowdsourcing for OM validation and introduce a novel crowdsourcing system. We propose three domain-specific mechanisms, namely differential trustworthiness, coherence pre-filling, and time-dependent opinion, to ensure the quality of crowdsourcing for OM validation. We demonstrate that our crowdsourcing system can be integrated with existing OM systems to enable human-in-the-loop validation. The evaluation of the system also shows its effectiveness in handling diverse user groups and different annotation settings. We also discuss two real-world use cases and current limitations for improvement.
- Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、オントロジーマッチング(OM)に新たな課題をもたらす。
LLM上に構築されたOMシステムは、より多くのマッチング候補を発見する際、顕著な能力を示しているが、ドメインの専門家に依存する従来のOMバリデーションは圧倒的である。
本研究では,OM検証におけるクラウドソーシングの利用について検討し,新しいクラウドソーシングシステムを導入する。
我々は,OM検証のためのクラウドソーシングの品質を確保するため,ドメイン固有の3つのメカニズム,すなわち,信頼度の違い,コヒーレンス前処理,時間依存の意見を提案する。
我々は,既存のOMシステムとクラウドソーシングシステムを統合することで,人間のループ検証を可能にすることを実証した。
システムの評価は,多様なユーザグループと異なるアノテーション設定を扱う上でも有効であることを示す。
また、現実世界の2つのユースケースと、改善の現在の制限についても論じます。
関連論文リスト
- Benchmarking Chinese Commonsense Reasoning with a Multi-hop Reasoning Perspective [53.594353527056775]
我々は,大言語モデル(LLM)を評価するために,中国語コモンセンスマルチホップ推論(CCMOR)を提案する。
CCMORは、中国固有の事実知識と多段階論理的推論を統合するLLMの能力を評価するように設計されている。
提案手法では,提案手法を用いて,提案手法の検証と検証を行う。
論文 参考訳（メタデータ） (2025-10-09T20:29:00Z) - Towards Unified Multimodal Misinformation Detection in Social Media: A Benchmark Dataset and Baseline [56.790045049514326]
詐欺の2つの主要な形態は、人造誤報とAI生成コンテンツである。
両形態の偽造を扱うためのフレームワークであるUMFDet(Unified Multimodal Fake Content Detection)を提案する。
UMFDetは、両方の誤情報型に対して堅牢で一貫したパフォーマンスを実現し、特殊ベースラインを上回っている。
論文 参考訳（メタデータ） (2025-09-30T09:26:32Z) - Quantization Meets dLLMs: A Systematic Study of Post-training Quantization for Diffusion LLMs [78.09559830840595]
本稿では拡散に基づく言語モデルの定量化に関する最初の体系的研究について述べる。
異常に大きなアクティベーション値によって特徴付けられるアクティベーションアウトリーチの存在を同定する。
我々は最先端のPTQ手法を実装し、包括的な評価を行う。
論文 参考訳（メタデータ） (2025-08-20T17:59:51Z) - Why Do Multi-Agent LLM Systems Fail? [87.90075668488434]
MAST-Dataは7つの人気のあるMASフレームワークで収集された1600以上の注釈付きトレースの包括的なデータセットである。
我々はMAST(Multi-Agent System Failure Taxonomy)を初めて構築する。
MASTとMAST-Dataを利用して、モデル(GPT4、Claude 3、Qwen2.5、CodeLlama)とタスク(コーディング、数学、汎用エージェント)の障害パターンを分析します。
論文 参考訳（メタデータ） (2025-03-17T19:04:38Z) - FKA-Owl: Advancing Multimodal Fake News Detection through Knowledge-Augmented LVLMs [48.32113486904612]
本稿では,FKA-Owlを提案する。FKA-Owlは,偽情報を利用した大規模視覚言語モデル(LVLM)の拡張のためのフレームワークである。
パブリックベンチマークの実験では、FKA-Owlは従来の手法よりも優れたクロスドメイン性能を達成している。
論文 参考訳（メタデータ） (2024-03-04T12:35:09Z) - Agent-OM: Leveraging LLM Agents for Ontology Matching [4.222245509121683]
本研究では,オントロジーマッチングシステムのための新しいエージェント駆動設計パラダイムを提案する。
本稿では,検索とマッチングのための2つのシームズエージェントからなるAgent-OM (Agent for Ontology Matching) フレームワークを提案する。
本システムは,OMタスクにおける長年の最高性能に非常に近い結果が得られる。
論文 参考訳（メタデータ） (2023-12-01T03:44:54Z) - Myriad: Large Multimodal Model by Applying Vision Experts for Industrial Anomaly Detection [86.24898024621008]
産業異常検出に視覚専門家を適用した新しい大規模マルチモーダルモデルを提案する(略してMyriad)。
我々は,視覚専門家が生成する異常マップをLMMのガイダンスとして利用し,視覚モデルが異常領域により多くの注意を払うように誘導する。
提案手法は最先端の手法に対して良好に機能するだけでなく,IAD分野におけるLMMの柔軟性や命令追従性を継承する。
論文 参考訳（メタデータ） (2023-10-29T16:49:45Z)
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。