論文の概要: DisasterLex: An Expert Concept-to-Schema Knowledge Graph for Geospatial Reasoning in Disaster Analytics
- arxiv url: http://arxiv.org/abs/2605.30538v1
- Date: Thu, 28 May 2026 20:13:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.215533
- Title: DisasterLex: An Expert Concept-to-Schema Knowledge Graph for Geospatial Reasoning in Disaster Analytics
- Title（参考訳）: DisasterLex:災害解析における地理空間推論のためのエキスパート概念とスキーマ知識グラフ
- Authors: Yiming Xiao, Ankit Basu, Kai Yin, Sahil Vartak, Christian Swords, Ali Mostafavi,
- Abstract要約: DisasterLexは知識グラフを介するフレームワークで、ユーザクエリとデータベースの間に、キュレートされた概念と型付き因果関係のエキスパート知識グラフ(EKG)を挿入する。
EKGには107のコンセプト、117の因果エッジ、52のコンセプト・ツー・テーブルリンクがある。
プロプライエタリおよびオープンウェイトな家庭にまたがる7つのベースモデルにおいて、DeramLexは最先端の4つのベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 7.702420465302456
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Disasters are inevitable and increasingly costly, and effective response depends on querying structured tabular data: precise, information-dense records of hazard, exposure, vulnerability, and lifeline infrastructure that underpin disaster management. Current text-to-SQL methods enable natural-language access to such tables but transfer poorly to the disaster domain, where queries span heterogeneous geospatial schemas and require reasoning over causal relations. We introduce DisasterLex, a knowledge-graph-mediated framework that inserts an Expert Knowledge Graph (EKG) of curated concepts and typed causal edges between the user query and the database, bridged to schema by concept-to-table links. The orchestration runs four stages (identifying query entities, routing to the operational domain, planning over causal edges, and grounding the SQL), restricting the schema passed to the model at each step. We instantiate it on a disaster-analytics database (36 geospatial tables, 150 columns) with an EKG of 107 concepts, 117 causal edges, and 52 concept-to-schema links, evaluated on a 75-query test set. On all seven base models spanning proprietary and open-weight families, DisasterLex beats four state-of-the-art baselines (LightRAG, HippoRAG 2, ReFoRCE, CHESS) by 1.4x to 2.75x, with absolute scores of 1.65 to 3.56 (of 5.0). Error analysis shows baseline failures cluster in routing and multi-table SQL composition, the operations our orchestration explicitly addresses. Code, data, and the EKG artifact are available at https://github.com/YimingXiao98/DisasterLex and on Zenodo at https://doi.org/10.5281/zenodo.20388029.
- Abstract（参考訳）: 災害は必然的かつ費用がかかり、効果的な対応は、危険、暴露、脆弱性、災害管理の基盤となるライフラインのインフラの正確さ、情報密度の記録といった構造化された表データの問い合わせに依存する。
現在のテキストからSQLへのメソッドは、このようなテーブルへの自然言語アクセスを可能にするが、クエリが不均一な地理空間スキーマにまたがり、因果関係の推論を必要とする災害ドメインへの転送が不十分である。
本稿では,ユーザクエリとデータベース間の因果関係の型付き知識グラフ(EKG)を挿入し,概念からテーブルへのリンクによってスキーマにブリッジする,知識グラフを利用したフレームワークであるDermaLexを紹介する。
オーケストレーションは4つのステージ(クエリエンティティの識別、オペレーションドメインへのルーティング、因果エッジの計画、SQLの接地)を実行し、各ステップでモデルに渡されるスキーマを制限する。
災害解析データベース(36の地理空間テーブル,150のコラム)上で107のコンセプト,117の因果エッジ,52のコンセプト・スキーマリンクをインスタンス化し,75のクエリーテストセットで評価した。
プロプライエタリおよびオープンウェイトファミリーにまたがる7つのベースモデルにおいて、DeramLexは4つの最先端ベースライン(LightRAG、HippoRAG 2、ReFoRCE、CHESS)を1.4倍から2.75倍に上回り、絶対スコアは1.65から3.56(5.0)である。
エラー解析では、ルーティングとマルチテーブルSQL構成におけるベースライン障害がクラスタ化されている。
コード、データ、EKGアーティファクトはhttps://github.com/YimingXiao98/DisasterLexで、Zenodoはhttps://doi.org/10.5281/zenodo.20388029で入手できる。
関連論文リスト
- EviLink: Multi-Path Schema Linking with Uncertainty-Guided Evidence Acquisition for Large-Scale Text-to-SQL [53.116276478707626]
EviLinkは、マルチハイプセシススキーマと不確実性誘導されたエビデンス獲得を組み合わせている。
Spider2-Snowでは、EviLinkは90.15%のフィールドレベルの厳格なリコールレートを獲得し、平均トークン123.30Kを使用し、固定ジェネレータによる下流SQL生成を改善している。
論文 参考訳（メタデータ） (2026-05-28T09:32:38Z) - EGREFINE: An Execution-Grounded Optimization Framework for Text-to-SQL Schema Refinement [10.675982676332941]
既存のアプローチでは、スキーマを固定として扱い、下流でエラーに対処する。
我々は、制約付き最適化問題としてスキーマの洗練を枠組み化した。
この問題の計算硬度を解析し、カラムワイドグリーディ分解を動機付ける。
論文 参考訳（メタデータ） (2026-05-01T13:01:59Z) - OntoKG: Ontology-Oriented Knowledge Graph Construction with Intrinsic-Relational Routing [0.3642823642133188]
本稿では,大規模知識グラフを型付きプロパティグラフに編成するオントロジー指向のアプローチを提案する。
中心となるメカニズムは内在的リレーショナルルーティングであり、すべての特性を内在的またはリレーショナルに分類する。
このルーティングは宣言型スキーマを生成し、ストレージバックエンド間で可搬可能で、独立して再利用可能なものだ。
論文 参考訳（メタデータ） (2026-04-03T01:17:51Z) - Cascade-Aware Multi-Agent Routing: Spatio-Temporal Sidecars and Geometry-Switching [0.0]
スケジューラは負荷とフィットネスを最適化するが、木のようなグラフとサイクリックグラフで障害がどのように伝搬するかのモデルがない。
我々は、この観測可能性ギャップをオンライン幾何学制御問題として定式化する。
時空サイドカーは、どの幾何学が現在のトポロジーに適合するかを予測する。
論文 参考訳（メタデータ） (2026-03-17T20:10:16Z) - Evidence-Guided Schema Normalization for Temporal Tabular Reasoning [7.888957857563514]
半構造化テーブルの進化に対する時間的推論は、現在のQAシステムに課題をもたらす。
スキーマ設計の品質は、モデルのキャパシティよりもQAの精度に大きな影響を与えます。
我々は、文脈を保存する正規化、曖昧さを減らす意味的命名、一貫した時間的アンカーの3つのエビデンスに基づく原則を確立する。
論文 参考訳（メタデータ） (2025-11-29T05:40:08Z) - Subnational Geocoding of Global Disasters Using Large Language Models [0.04374837991804084]
災害リスク評価や災害リスク低減には, 災害時の位置情報が不可欠である。
災害データベースは、不整合な粒度や綴りを含む非構造化のテキスト形式で位置を報告し、空間データセットとの統合が困難になる。
GPT-4o を用いてテキストの位置情報を処理し,クリーン化する,完全に自動化された LLM 支援ワークフローを提案する。
論文 参考訳（メタデータ） (2025-11-13T17:04:18Z) - WikiDBGraph: A Data Management Benchmark Suite for Collaborative Learning over Database Silos [48.88393315169039]
協調学習(CL)技術により、複数のパーティが生データを共有せずにモデルを共同でトレーニングできる。
現在のCLベンチマークとアルゴリズムは、主に、分離、アライメント、結合可能なデータベースの仮定の下で学習ステップを目標としています。
我々は1700万の重み付きエッジでリンクされた10万の現実世界のリレーショナルデータベースから構築された大規模なデータセットを構築した。
論文 参考訳（メタデータ） (2025-05-22T13:07:06Z) - RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。
RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
論文 参考訳（メタデータ） (2025-02-10T18:58:40Z) - RSL-SQL: Robust Schema Linking in Text-to-SQL Generation [51.00761167842468]
本稿では、双方向スキーマリンク、コンテキスト情報拡張、バイナリ選択戦略、マルチターン自己補正を組み合わせたRSLと呼ばれる新しいフレームワークを提案する。
ベンチマークの結果,オープンソースのソリューション間でのSOTA実行精度は67.2%,BIRDは87.9%,GPT-4オクルージョンは87.9%であった。
提案手法は,DeepSeekを同一のプロンプトで適用した場合,GPT-4ベースのテキスト・ツー・シークシステムよりも優れている。
論文 参考訳（メタデータ） (2024-10-31T16:22:26Z) - KET-QA: A Dataset for Knowledge Enhanced Table Question Answering [63.56707527868466]
本研究では,TableQAの外部知識源として知識ベース(KB)を用いることを提案する。
すべての質問は、答えるテーブルとサブグラフの両方からの情報を統合する必要がある。
我々は,膨大な知識サブグラフから関連する情報を抽出するために,レトリバー・レゾナー構造パイプラインモデルを設計する。
論文 参考訳（メタデータ） (2024-05-13T18:26:32Z) - Open-Domain Hierarchical Event Schema Induction by Incremental Prompting
and Verification [81.17473088621209]
イベントスキーマを,大規模言語モデル(LLM)から導出可能なコモンセンス知識の一形態として扱う。
複雑なイベントグラフの構築を3段階に分割するインクリメンタルなプロンプトおよび検証手法を設計する。
線形化グラフを生成するのにLLMを直接使用するのに比べ、時間関係が7.2%F1、階層関係が31.0%F1の大規模かつ複雑なスキーマを生成することができる。
論文 参考訳（メタデータ） (2023-07-05T01:00:44Z)
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。