論文の概要: Verifiable Knowledge Expansion through Retrieval-Grounded Formal Concept Analysis
- arxiv url: http://arxiv.org/abs/2607.01773v1
- Date: Thu, 02 Jul 2026 06:44:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.702045
- Title: Verifiable Knowledge Expansion through Retrieval-Grounded Formal Concept Analysis
- Title（参考訳）: 検索対象の形式的概念分析による検証可能な知識拡張
- Abstract要約: 本稿では,知識拡張のための記号的検証ループとして形式的概念解析(FCA)を用いる検索拡張小言語モデル(SLM)フレームワークを提案する。
検索接地されたSLMオラクルは、各含意を検証するか、逆例を返す。
- 参考スコア（独自算出の注目度）: 1.4610038284393168
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ontology construction requires deciding which objects, attributes, and structural relations should be accepted as valid knowledge. Language models can propose such structures from text, but their outputs can still be unsupported or inconsistent. This paper proposes a retrieval-augmented small language model (SLM) framework that uses formal concept analysis (FCA) as a symbolic verification loop for knowledge expansion. Starting from seed attributes, FCA proposes implications over a growing formal context. A retrieval-grounded SLM oracle then validates each implication or returns a counterexample. The oracle also supports incidence judgments, consistency checks, and attribute proposals, making accepted implications, counterexamples, contradictions, and corrections inspectable. In a rare ataxia setting constructed from Orphadata resources, retrieval-grounded 10-seed runs obtain relation F1 of 0.29-0.52 and closure-based implication F1 of 0.22-0.30. Larger seed sets increase the number of evaluated implications and often improve implication F1. The lower implication scores reflect a stricter evaluation of derived implications, where one missed or extra relation can affect several implication judgments. Ablations show that incidence judgments in a fixed object-attribute setting can improve closure-based implication scores. However, identifying positive object-attribute pairs remains difficult even when the candidate objects and attributes are fixed.
- Abstract（参考訳）: オントロジーの構築には、どのオブジェクト、属性、構造的関係を有効な知識として受け入れるべきかを決定する必要がある。
言語モデルはテキストからそのような構造を提案できるが、その出力はサポートされないか一貫性がない。
本稿では,知識拡張のための記号的検証ループとして形式的概念解析(FCA)を用いる検索拡張小言語モデル(SLM)フレームワークを提案する。
FCAは、シード属性から始めて、成長するフォーマルなコンテキストに対する影響を提案する。
検索接地されたSLMオラクルは、各含意を検証するか、逆例を返す。
オラクルはまた、インシデント判断、一貫性チェック、属性提案をサポートし、許容される含意、反例、矛盾、検査可能な修正もサポートする。
Orphadata資源から構築された稀なアタキシア設定では、検索接地された10シードは0.29〜0.52の相関F1とクロージャベース含意F1の0.22〜0.30を得る。
より大きなシードセットは、評価された含意の数を増やし、しばしば含意F1を改善する。
低い含意スコアは、より厳密な導出含意評価を反映しており、1つの欠落または余分な関係がいくつかの含意判断に影響を及ぼす可能性がある。
アブレーションは、固定されたオブジェクト属性設定における入射判定が、クロージャベースの含意スコアを改善することを示している。
しかしながら、候補オブジェクトと属性が固定された場合でも、ポジティブなオブジェクト-属性ペアの識別は難しいままである。
関連論文リスト
- Constraint-Aware Counterfactual Editing for Aspect-Based Sentiment Analysis [0.27528170226206433]
Aspect-Based Sentiment Analysis (ABSA) は、文章のグローバルな極性に頼るのではなく、特定の側面に対する感情を特定するモデルを必要とする。
CAVE-ABSAはアスペクトレベルの反事実の生成と検証のためのフレームワークである。
論文 参考訳（メタデータ） (2026-07-15T16:03:44Z) - Weave of Formal Thought [51.56484100374058]
WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。
本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。
Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
論文 参考訳（メタデータ） (2026-06-24T15:58:11Z) - Finite Certificates for In-Context Determinacy and a Threshold Theory of Emergence in Language Models [0.2864713389096699]
本稿では,文脈条件付き言語モデル行動を検証するためのモデル理論フレームワークを開発する。
有限コンテキスト証明書、ペアセパレータのヒットセット、クエリ教育のディメンション、プロンプト保存基準、スケール制限証人を提供する。
論文 参考訳（メタデータ） (2026-05-30T14:07:58Z) - Causality is Key for Interpretability Claims to Generalise [35.833847356014154]
大規模言語モデル(LLM)の解釈可能性の研究は、モデル行動に関する重要な洞察をもたらした。
繰り返し発生する落とし穴: 一般化しない発見と、証拠を突破する因果解釈。
パールの因果的階層は、解釈可能性の研究が正当化できることを明確にする。
論文 参考訳（メタデータ） (2026-02-18T18:45:04Z) - CoT-Seg: Rethinking Segmentation with Chain-of-Thought Reasoning and Self-Correction [50.67483317563736]
本稿では,段階的に考察し,必要な情報を検索し,結果を生成し,自己評価を行い,結果を洗練するシステムを提案する。
CoT-Segは、思考の連鎖推論と自己補正を組み合わせることで、推論セグメンテーションを再考する、トレーニング不要のフレームワークである。
論文 参考訳（メタデータ） (2026-01-24T11:41:54Z) - DEPTH: Hallucination-Free Relation Extraction via Dependency-Aware Sentence Simplification and Two-tiered Hierarchical Refinement [22.164114662885652]
DEPTHは、関係抽出パイプラインに依存性を意識したsEntence simPlificationと2階層階層改良を統合するフレームワークである。
以上の結果から,DEPTHは平均幻覚率を7.0%まで下げる一方で,最先端のベースラインよりも平均F1スコアを17.2%向上させることを示した。
論文 参考訳（メタデータ） (2025-08-20T03:35:24Z) - Detrimental Contexts in Open-Domain Question Answering [9.059854023578508]
質問応答に使用される検索テーマのアーキテクチャに対して,パスが有害な影響を及ぼすかを分析する。
この結果から,2つの人気のあるQAデータセットにおいて,有害経路をフィルタリングすることにより,モデル精度を10%向上できることが示唆された。
論文 参考訳（メタデータ） (2023-10-27T11:45:16Z) - "You Are An Expert Linguistic Annotator": Limits of LLMs as Analyzers of
Abstract Meaning Representation [60.863629647985526]
文意味構造の解析において, GPT-3, ChatGPT, および GPT-4 モデルの成功と限界について検討した。
モデルはAMRの基本形式を確実に再現でき、しばしばコアイベント、引数、修飾子構造をキャプチャできる。
全体としては,これらのモデルではセマンティック構造の側面を捉えることができるが,完全に正確なセマンティック解析や解析をサポートする能力には重要な制限が残されている。
論文 参考訳（メタデータ） (2023-10-26T21:47:59Z) - Making Retrieval-Augmented Language Models Robust to Irrelevant Context [55.564789967211844]
ALMの重要なデシプラタムは、検索された情報が関連する場合のパフォーマンスをモデル化するのに役立つことである。
近年の研究では、検索の増大がパフォーマンスに悪影響を及ぼすことが示されている。
論文 参考訳（メタデータ） (2023-10-02T18:52:35Z) - Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。
本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。
2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文 参考訳（メタデータ） (2023-08-24T16:06:36Z) - Enriching Relation Extraction with OpenIE [70.52564277675056]
関係抽出(RE)は情報抽出(IE)のサブ分野である
本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。
本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
論文 参考訳（メタデータ） (2022-12-19T11:26:23Z) - Admissibility in Strength-based Argumentation: Complexity and Algorithms
(Extended Version with Proofs) [1.5828697880068698]
我々は、適応性に基づく意味論の強度に基づく論証フレームワーク(StrAF)への適応について研究する。
特に文献で定義された強い許容性は望ましい性質、すなわちDungの基本的な補題を満たさないことを示す。
計算(強弱)拡張に対する擬ブール制約の翻訳を提案する。
論文 参考訳（メタデータ） (2022-07-05T18:42:04Z)
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。