論文の概要: KARMA: Knowledge graph-based Automated Reasoning Materialization and Alignment

• arxiv url: http://arxiv.org/abs/2607.03166v1
• Date: Fri, 03 Jul 2026 10:06:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.541036
• Title: KARMA: Knowledge graph-based Automated Reasoning Materialization and Alignment
• Title（参考訳）: KARMA:知識グラフに基づく自動推論材料化とアライメント
• Abstract要約: テンプレートベースのコントラスト合成はスケーラブルだが、その候補はいくつかのエンティティスロットでのみ異なる。 我々はこれを分解ミスマッチ問題として定式化し、KARMAを提案する。 ドメイン知識グラフ上のスキーマ制約パスを列挙し、それらをスロット整列コントラスト候補に言語化する。
• 参考スコア（独自算出の注目度）: 1.0323063834827415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Template-based contrastive synthesis is scalable, but its candidates often differ only in a few entity-slots while sequence-level optimization spreads supervision over mostly shared templates. We formalize this as the Resolution Mismatch Problem and propose KARMA, which enumerates schema-constrained paths over domain knowledge graphs and verbalizes them into slot-aligned contrastive candidates. Slot-Parallel Alignment (SPA) then applies a decoupled slot-level objective to route preference supervision to discriminative entity-slots, with slot-aware masked attention serving as an optional packed-evaluation implementation. Across biomedical, computer-science, and chemistry benchmarks, KARMA outperforms base LLM and same-data SFT baselines, and compares favorably with sequence and token-level preference methods.
• Abstract（参考訳）: テンプレートベースのコントラスト合成はスケーラブルだが、その候補はいくつかのエンティティスロットでのみ異なる場合が多い。 我々はこれをレゾリューション・ミスマッチ問題として定式化し、ドメイン知識グラフ上のスキーマ制約パスを列挙し、それらをスロット整列コントラスト候補に分類するKARMAを提案する。 SPA(Slot-Parallel Alignment)は、分離されたスロットレベルの目的を、識別可能なエンティティスロットへの優先順位調整のルートに適用する。 バイオメディカル、コンピュータサイエンス、化学ベンチマーク全体において、KARMAはLLMと同一データSFTベースラインを上回り、シークエンスやトークンレベルの選好法と好適に比較している。

関連論文リスト

• Rethink MAE with Linear Time-Invariant Dynamics [0.0]
  凍結した視覚表現において,トークンの順序は重要かつ悪用可能な次元であることを示す。 状態空間モデルによって駆動される探索フレームワークであるSSMProbeを提案する。
  論文  参考訳（メタデータ） (2026-04-29T15:07:00Z)
• Self-Organizing Maps with Optimized Latent Positions [0.0]
  本稿では,各データポイントに対して連続的な潜伏位置を導入する客観的な地形マッピング手法を提案する。 合成サドル多様体の実験、ディジットとMNISTデータセットのスケーラビリティの研究、16のベンチマークデータセットは、SOM-OLPが競合する近傍保存と量子化性能を達成することを示す。
  論文  参考訳（メタデータ） (2026-04-15T08:42:49Z)
• TAB-PO: Preference Optimization with a Token-Level Adaptive Barrier for Token-Critical Structured Generation [0.0]
  高価値セマンティックトークンを優先するトークン重み付き参照調整アドバンテージが提示される。 医療コミュニケーションアノテーションを用いたTAB-POの評価を行った。
  論文  参考訳（メタデータ） (2026-02-03T23:48:13Z)
• LLM-Guided Exemplar Selection for Few-Shot Wearable-Sensor Human Activity Recognition [1.575769267908841]
  我々は,現在最先端のHAR(Human Activity Recognition)手法における鍵となる限界に対処するために,LLM-Guided Exemplar Selectionフレームワークを提案する。 提案手法は, 特徴量, クラス間コンフューザビリティ, および既定予算乗算器をキャプチャする, LLM 生成した知識による意味推論を取り入れた手法である。 このフレームワークは88.78%のマクロF1スコアを達成し、ランダムサンプリング、ハーディング、kセンタといった古典的なアプローチより優れている。
  論文  参考訳（メタデータ） (2025-12-26T21:03:15Z)
• GEM: Generative Entropy-Guided Preference Modeling for Few-shot Alignment of LLMs [5.1816417820270075]
  本稿では,大規模言語モデル(LLM)のためのジェネレーティブエントロピー誘導選好モデリング手法GEMを提案する。 選好データに基づいて差別的な報酬モデルを訓練する代わりに、LLMを直接訓練してクローズドループ最適化アーキテクチャを内部化する。 一般的なベンチマークとドメイン固有のタスクの実験は、GEMが数ショットの選好データで大幅な改善を達成していることを示している。
  論文  参考訳（メタデータ） (2025-11-17T06:04:47Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• In-context Ranking Preference Optimization [65.5489745857577]
  In-context Ranking Preference Optimization (IRPO) フレームワークを提案する。 IRPOは標準のDPO手法よりも高い性能を示し、LLMと直接文脈内ランキング設定の整合性を強調した。
  論文  参考訳（メタデータ） (2025-04-21T23:06:12Z)
• RankMatch: A Novel Approach to Semi-Supervised Label Distribution Learning Leveraging Inter-label Correlations [52.549807652527306]
  本稿では,SSLDL (Semi-Supervised Label Distribution Learning) の革新的なアプローチである RankMatch を紹介する。 RankMatchは、ラベルのない大量のデータとともに、少数のラベル付き例を効果的に活用する。 我々はRandMatchに縛られる理論的な一般化を確立し、広範な実験を通じて既存のSSLDL法に対する性能上の優位性を実証した。
  論文  参考訳（メタデータ） (2023-12-11T12:47:29Z)
• ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
  分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。 本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。 次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
  論文  参考訳（メタデータ） (2023-06-04T02:55:25Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Bayesian Attention Modules [65.52970388117923]
  実装や最適化が容易な,スケーラブルな注目バージョンを提案する。 本実験は,提案手法が対応するベースラインに対して一貫した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-10-20T20:30:55Z)

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。