論文の概要: OntoLearner: A Modular Python Library for Ontology Learning with Large Language Models

• arxiv url: http://arxiv.org/abs/2607.01977v1
• Date: Thu, 02 Jul 2026 10:09:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.783752
• Title: OntoLearner: A Modular Python Library for Ontology Learning with Large Language Models
• Title（参考訳）: OntoLearner: 大規模言語モデルによるオントロジー学習のためのモジュール型Pythonライブラリ
• Abstract要約: OntoLearnerは、テキストから構造化された知識モデルを自動的に構築することを目指している。 何十年もの研究にもかかわらず、OntoLearnerには、体系的な評価とアクセスのための共有インフラストラクチャがない。 OntoLearnerは、アクセス、大きな言語モデル(LLM)パイプライン、標準化されたベンチマークを統一する。
• 参考スコア（独自算出の注目度）: 6.625264939050408
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ontology learning (OL) aims to automatically construct structured knowledge models from text, yet progress remains fragmented across methods, domains, and evaluation practices. Despite decades of research, OL lacks a shared infrastructure for systematic evaluation and ontology access. This absence has hindered progress and fragmented research, leaving the central challenges of OL largely unaddressed. We introduce OntoLearner, a modular, cross-domain, and first-of-its-kind framework that unifies ontology access, large language model (LLM)-driven learning pipelines, and standardized benchmarking. OntoLearner releases 180 machine-readable ontologies spanning 22 domains and provides pipeline-ready datasets with train/dev/test splits for three core OL tasks: term typing, taxonomy discovery, and non-taxonomic relation extraction. Using this infrastructure, we conduct a large-scale empirical study of OL, evaluating 22 retrieval models and 12 LLMs across domains and tasks. The results converge on a finding that reframes the central challenge of OL: failure modes scale with ontological complexity rather than model size or architectural sophistication. The primary bottleneck is not model capability, but a structural mismatch between how models encode knowledge and how ontologies organize it. These findings establish that effective OL is reachable through the cross-domain, multi-task benchmarking enabled by OntoLearner. OntoLearner is open-source (MIT license) at https://github.com/sciknoworg/OntoLearner/.
• Abstract（参考訳）: オントロジー学習(OL)は、構造化された知識モデルを自動的にテキストから構築することを目的としている。 長年の研究にもかかわらず、OLには体系的な評価とオントロジーアクセスのための共有インフラストラクチャがない。 この欠如は進歩を妨げ、研究の断片化を妨げており、OLの主な課題は未解決のままである。 OntoLearnerは、オントロジーアクセス、大規模言語モデル(LLM)駆動学習パイプライン、標準化されたベンチマークを統一するモジュール型、クロスドメイン、および第一種フレームワークである。 OntoLearnerは、22のドメインにまたがる180のマシン可読性オントロジーをリリースし、項型付け、分類学発見、非タコノミクス関係抽出という3つのコアOLタスクに対して、トレイン/デフ/テストスプリットを備えたパイプライン対応データセットを提供する。 このインフラを用いて,22の検索モデルと12のLLMをドメインやタスクにわたって評価し,OLの大規模な実証的研究を行う。 失敗モードは、モデルのサイズやアーキテクチャの洗練よりも、オントロジ的な複雑さとともにスケールします。 主なボトルネックは、モデル能力ではなく、モデルが知識をエンコードする方法と、オントロジがどのようにそれを組織化するかという構造的ミスマッチである。 これらの結果は,OntoLearnerによって実現されたクロスドメインマルチタスクベンチマークにより,有効なOLが到達可能であることを証明している。 OntoLearnerはhttps://github.com/sciknoworg/OntoLearner/でオープンソース(MITライセンス)である。

関連論文リスト

• LLM-Driven Ontology Construction for Enterprise Knowledge Graphs [0.0]
  本稿では,企業データからのドメイン固有非構造生成を高速化するパイプラインであるOntoEKGを紹介する。 提案手法では,モデルタスクを,コアクラスとプロパティを識別する抽出モジュールと,それらの要素を論理的に階層化し,それらを標準RDFにシリアライズするエンテーメントモジュールという,2つの異なるフェーズに分解する。 エンドツーエンドの構築のための包括的なベンチマークの欠如に対処するため、私たちは、データ、ファイナンス、ロジスティックスの各分野にわたる文書から派生した、新たな評価データセットを採用しました。
  論文  参考訳（メタデータ） (2026-02-01T15:13:30Z)
• One Language-Free Foundation Model Is Enough for Universal Vision Anomaly Detection [65.11602552904456]
  Universal Visual Anomaly Detection (AD) は、オープンかつダイナミックなシナリオに向けて、異常画像とセグメント異常領域を識別することを目的としている。 現在の手法は、複雑なプロンプトエンジニアリング、精巧な適応モジュール、そして挑戦的な訓練戦略に苦しむことが多い。 本稿では,Universal Vision Anomaly Detection(UniADet)のための,恥ずかしいほどシンプルで汎用的で効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-09T06:05:18Z)
• The Importance of Being Lazy: Scaling Limits of Continual Learning [60.97756735877614]
  モデル幅の増大は,特徴学習の量を減らし,遅延度を高めた場合にのみ有益であることを示す。 特徴学習,タスク非定常性,および忘れることの複雑な関係について検討し,高い特徴学習が極めて類似したタスクにのみ有用であることを示す。
  論文  参考訳（メタデータ） (2025-06-20T10:12:38Z)
• End-to-End Ontology Learning with Large Language Models [11.755755139228219]
  大規模言語モデル(LLM)は、オントロジー学習の様々なサブタスクを解決するために応用されている。 我々は、オントロジーの分類学的バックボーンをスクラッチから構築する汎用的でスケーラブルな方法であるOLLMによって、このギャップに対処する。 標準的なメトリクスとは対照的に、私たちのメトリクスは、グラフ間のより堅牢な構造的距離測定を定義するためにディープラーニング技術を使用します。 私たちのモデルは、arXivのような新しいドメインに効果的に適用できます。
  論文  参考訳（メタデータ） (2024-10-31T02:52:39Z)
• Online Intrinsic Rewards for Decision Making Agents from Large Language Model Feedback [52.763620660061115]
  ONIは、RLポリシーと本質的な報酬関数を同時に学習する分散アーキテクチャである。 我々は、様々な複雑さを持つ報酬モデリングのためのアルゴリズムの選択範囲を探索する。 提案手法は,NetHack Learning Environment の様々な課題にまたがって,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-10-30T13:52:43Z)
• Homological Convolutional Neural Networks [4.615338063719135]
  本稿では,トポロジ的に制約されたネットワーク表現を通じて,データ構造構造を利用した新しいディープラーニングアーキテクチャを提案する。 5つの古典的な機械学習モデルと3つのディープラーニングモデルに対して、18のベンチマークデータセットでモデルをテストします。
  論文  参考訳（メタデータ） (2023-08-26T08:48:51Z)
• Modular Neural Network Approaches for Surgical Image Recognition [0.0]
  本稿では,DCSS不安定性分類のためのモジュール型学習の異なるアーキテクチャを導入,評価する。 実験の結果,モジュール型学習は非モジュール型システムと比較して性能が向上することがわかった。 第2部では,肩関節鏡画像への自己訓練によるデータラベリングとセグメンテーションのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-17T22:28:16Z)
• Many or Few Samples? Comparing Transfer, Contrastive and Meta-Learning in Encrypted Traffic Classification [68.19713459228369]
  我々は、トランスファーラーニング、メタラーニング、コントラストラーニングを、参照機械学習(ML)ツリーベースおよびモノリシックDLモデルと比較する。 i) 大規模なデータセットを用いて,より一般的な表現を得られること,(ii) コントラスト学習が最良の手法であることを示している。 MLツリーベースでは大きなタスクは処理できないが、学習した表現を再利用することで、小さなタスクにも適合するが、DLメソッドはツリーベースモデルのパフォーマンスにも到達している。
  論文  参考訳（メタデータ） (2023-05-21T11:20:49Z)
• A Survey on Few-Shot Class-Incremental Learning [11.68962265057818]
  FSCIL(Few-shot class-incremental Learning)は、ディープニューラルネットワークが新しいタスクを学習する上で重要な課題である。 本稿では, FSCILに関する包括的調査を行う。 FSCILはコンピュータビジョンの様々な分野で大きな成果を上げている。
  論文  参考訳（メタデータ） (2023-04-17T10:15:08Z)
• NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision Research [96.53307645791179]
  我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。 分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。 NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
  論文  参考訳（メタデータ） (2022-11-15T18:57:46Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。