論文の概要: Query-Conditioned Graph Retrieval for Contextualized LLM Reasoning in Personalized Wearable Data

• arxiv url: http://arxiv.org/abs/2605.18763v1
• Date: Fri, 10 Apr 2026 13:13:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.922015
• Title: Query-Conditioned Graph Retrieval for Contextualized LLM Reasoning in Personalized Wearable Data
• Title（参考訳）: パーソナライズされたウェアラブルデータにおける文脈的LLM推論のための問合せ付きグラフ検索
• Authors: Zhenyu Lu, Mahyar Abbasian, Amir M. Rahmani,
• Abstract要約: Wearable As Graph(WAG)は、ウェアラブルメトリクスとユーザ固有の信号を、パーソナライズされたナレッジグラフにまとめる。 WAGは、ダウンストリーム生成をサポートするためにクエリ条件のサブグラフを取得する。 我々は、実世界のウェアラブルデータセットから1万以上のデータグラウンドクエリをWAGで評価する。
• 参考スコア（独自算出の注目度）: 4.084164541001164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly applied to analyzing wearable sensing data, which are long-term, multimodal, and highly personalized. A key challenge is context selection: providing insufficient context limits reasoning, while including all available data leads to inefficiency and degraded generation quality. We propose Wearable As Graph (WAG), a graph-based context retrieval framework that enables query-adaptive reasoning over wearable data with LLMs. WAG organizes wearable metrics and user-specific signals into a personalized knowledge graph, and retrieves a query-conditioned subgraph to support downstream generation. The retrieval process integrates global relationships, capturing prior knowledge and population- and individual-level patterns via hierarchical Bayesian modeling, with local relationships that reflect short-term signal deviations. A query openness signal further controls retrieval breadth. We evaluate WAG on over 10,000 data-grounded queries from real-world wearable datasets. Across LLM-based and human evaluations, WAG achieves an approximately 70% win rate over baseline and standard RAG methods, demonstrating the effectiveness of structured, query-adaptive context retrieval for LLM-driven analysis of wearable data.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、長期、マルチモーダル、高度にパーソナライズされたウェアラブルセンシングデータの解析にますます応用されている。 重要な課題は、コンテキスト選択である: 十分なコンテキスト制限の推論を提供する一方で、利用可能なすべてのデータを含むと、非効率性と劣化した生成品質につながる。 LLMを用いたウェアラブルデータに対するクエリ適応推論を可能にするグラフベースのコンテキスト検索フレームワークであるWearable As Graph (WAG)を提案する。 WAGは、ウェアラブルメトリクスとユーザ固有の信号をパーソナライズされたナレッジグラフに整理し、ダウンストリーム生成をサポートするためにクエリ条件のサブグラフを取得する。 検索プロセスはグローバルな関係を統合し、階層的ベイズモデルにより事前の知識と個体群および個体群レベルのパターンを抽出し、短期的な信号偏差を反映する局所的な関係を反映する。 クエリ開放信号は、検索幅をさらに制御する。 我々は、実世界のウェアラブルデータセットから1万以上のデータグラウンドクエリをWAGで評価する。 LLMに基づく人的評価において、WAGはベースラインおよび標準RAG法よりも約70%の勝利率を達成し、LCM駆動型ウェアラブルデータ解析における構造化されたクエリ適応コンテキスト検索の有効性を実証した。

関連論文リスト

• Programmatic Context Augmentation for LLM-based Symbolic Regression [65.01826333382738]
  大規模言語モデル(LLM)に基づく進化的探索手法が記号回帰に導入されている。 本稿では,プログラム的文脈拡張を取り入れたLLMに基づく進化的検索フレームワークを提案する。 本手法では,データ解析と情報信号抽出を積極的に行うことができる。
  論文  参考訳（メタデータ） (2026-05-04T19:34:03Z)
• From Few-Shot to Zero-Shot: Towards Generalist Graph Anomaly Detection [89.52759572485276]
  ARCは、文脈内学習を利用した数発のGAD法であり、推論時にわずかにラベル付き正規サンプルを必要とする。 ARCとARC_zeroは、異常を効果的に検出し、強力な一般化能力を示し、少数ショットおよびゼロショット設定下で効率的に実行する。
  論文  参考訳（メタデータ） (2026-02-21T10:59:00Z)
• Can LLMs Clean Up Your Mess? A Survey of Application-Ready Data Preparation with LLMs [66.63911043019294]
  データ準備は、生のデータセットを識別し、データセット間の関係を解明し、それらから貴重な洞察を抽出することを目的としている。 本稿では,様々な下流タスクのためのデータ準備にLLM技術を用いることに焦点を当てる。 データクリーニング、標準化、エラー処理、計算、データ統合、データ豊か化という3つの主要なタスクにフィールドを編成するタスク中心の分類を導入します。
  論文  参考訳（メタデータ） (2026-01-22T12:02:45Z)
• MARAG-R1: Beyond Single Retriever via Reinforcement-Learned Multi-Tool Agentic Retrieval [50.30107119622642]
  大規模言語モデル(LLM)は推論と生成において優れているが、本質的には静的事前学習データによって制限されている。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識に基盤を置くことでこの問題に対処する。 MarAG-R1は、LLMが複数の検索機構を動的に調整できる強化学習型マルチツールRAGフレームワークである。
  論文  参考訳（メタデータ） (2025-10-31T15:51:39Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• DARG: Dynamic Evaluation of Large Language Models via Adaptive Reasoning Graph [70.79413606968814]
  本稿では,適応推論グラフ展開(DARG)によるLCMの動的評価を導入し,複雑性と多様性を制御した現在のベンチマークを動的に拡張する。 具体的には、まず現在のベンチマークでデータポイントの推論グラフを抽出し、それから推論グラフを摂動させて新しいテストデータを生成する。 このような新しく生成されたテストサンプルは、元のベンチマークと同様の言語的多様性を維持しながら、複雑さのレベルが異なる可能性がある。
  論文  参考訳（メタデータ） (2024-06-25T04:27:53Z)
• ERATTA: Extreme RAG for Table To Answers with Large Language Models [1.3318204310917532]
  検索拡張現実(RAG)を備えた大規模言語モデル(LLM)は、スケーラブルな生成AIソリューションに最適な選択肢である。 本研究では,データ認証,ユーザクエリルーティング,データ検索,エンタープライズデータテーブルからの質問応答機能へのカスタムプロンプトを実現するために,複数のLLMを起動可能なLLMベースのユニークなシステムを提案する。 提案するシステムと評価基準は,持続可能性,財務状況,ソーシャルメディア領域において,数百のユーザクエリに対して,90%以上の信頼性スコアを達成している。
  論文  参考訳（メタデータ） (2024-05-07T02:49:59Z)

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。