論文の概要: OntoExtend: A Framework for Requirement-driven and Scalable Ontology Extension with LLMs

• arxiv url: http://arxiv.org/abs/2607.17963v1
• Date: Mon, 20 Jul 2026 14:04:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.648561
• Title: OntoExtend: A Framework for Requirement-driven and Scalable Ontology Extension with LLMs
• Title（参考訳）: OntoExtend: LLMによる要求駆動でスケーラブルなオントロジー拡張のためのフレームワーク
• Abstract要約: OntoExtendは、言語モデル(LLM)で拡張するための要求駆動フレームワークである。 検索拡張生成(RAG)を関連する入力と要求に対して使用し、基底拡張を提案する。 公的なEUプロジェクトであるOnto-DESIDEと、Boschの産業オントロジーの2つのユースケースから、39のCQのOntoExtendを評価する。
• 参考スコア（独自算出の注目度）: 4.480807656622782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ontology extension refers to the process of enriching an existing ontology in response to emerging requirements, making it more complete. This task is a resource-intensive and error-prone process. Large Language Models (LLMs) have shown promising performance on generating ontologies from scratch, but current approaches rarely tie ontology extension explicitly to requirements or reusable core models, and offer limited, systematic evaluation of LLM outputs. This paper introduces OntoExtend, a requirements-driven framework for ontology extension with LLMs. It uses retrieval-augmented generation (RAG) over relevant input ontologies and requirements in the form of competency questions to propose grounded extensions. We evaluate OntoExtend on 39 CQs from two use cases: a public EU-project ontology, Onto-DESIDE, and an industrial ontology from Bosch. The generated fragments show few structural issues, satisfy all functional evaluation tests, and are rated by ontology engineers as requiring minor to moderate revision before integration. These results suggest that OntoExtend is useful as a drafting assistant for requirement-driven ontology extension in real world scenarios, while remaining sensitive to CQ specificity and modelling profile.
• Abstract（参考訳）: オントロジー拡張(Ontology extension)は、新たな要求に対応する既存のオントロジーを充実させ、より完全なものにするプロセスを指す。 このタスクはリソース集約的でエラーを起こしやすいプロセスです。 大規模言語モデル(LLM)は、オントロジーをゼロから生成する上で有望なパフォーマンスを示しているが、現在のアプローチでは、オントロジー拡張を要求や再利用可能なコアモデルと明示的に結びつけることは滅多になく、LLM出力の限定的で体系的な評価を提供する。 本稿では,LLMによるオントロジー拡張のための要求駆動フレームワークであるOntoExtendを紹介する。 検索強化生成(RAG)を関連する入力オントロジーと要求に対して、基底拡張を提案する能力質問の形式で使用する。 我々は,EUプロジェクトオントロジー,オントDESIDE,ボッシュの産業オントロジーの2つのユースケースから,39のCQのOntoExtendを評価した。 生成されたフラグメントは、構造的な問題が少なく、すべての機能評価テストを満足しており、オントロジーエンジニアは、統合前にマイナーから適度に修正する必要があると評価している。 これらの結果から,OntoExtendは要求駆動型オントロジー拡張のドラフトアシスタントとして,CQの特異性やモデリングプロファイルに敏感でありながら,実世界のシナリオで有用であることが示唆された。

関連論文リスト

• Toward Effective and Reliable LLM Agents via Dynamic Ontology [21.48160246568531]
  大規模モデル言語(LLM)エージェントは、モデルパラメータにエンコードされた知識や、構造化されていないコンテキストとして提示された知識に大きく依存する。 これはしばしば不完全な証拠の使用と脆い多段階決定をもたらす。 オントロジーは、ドメインの概念と関係を機械解釈可能な構造として外部化する方法を提供する。 本稿では,タスク指向LLMエージェントを動的に構築・洗練するオントロジー・アズ・ア・カーネルフレームワークであるOaKを紹介する。
  論文  参考訳（メタデータ） (2026-08-24T08:33:42Z)
• A Unified Structured Query Understanding Framework for Industrial Semantic Search [9.913119853395205]
  大規模産業検索システムにおけるクエリ理解は、通常、異なるタスク固有のコンポーネントのカスケードとして実装される。 本研究では,これらの不均一な関数を単一小言語モデルに統合する統合型クエリ理解システムを提案し,展開する。 LinkedInのジョブ検索システム内で、大規模なオフラインおよびオンラインテストを通じてこのアプローチを検証する。
  論文  参考訳（メタデータ） (2026-05-22T19:35:15Z)
• Characterising LLM-Generated Competency Questions: a Cross-Domain Empirical Study using Open and Closed Models [0.11363776709575053]
  本稿では,複数次元にわたるコンピテンシー質問(CQ)の体系的比較尺度を提案する。 入力テキストに対する可読性, 関連性, 生成した質問の構造的複雑さなど, それらの顕著な特性を同定する。
  論文  参考訳（メタデータ） (2026-04-17T17:16:32Z)
• RouteRAG: Efficient Retrieval-Augmented Generation from Text and Graph via Reinforcement Learning [69.87510139069218]
  Retrieval-Augmented Generation (RAG)は、非パラメトリック知識をLarge Language Models (LLM)に統合する 強化学習(RL)による多ターン推論へのテキストベースRAGの進歩 LLMがマルチターンおよび適応的なグラフテキストハイブリッドRAGを実現するためのRLベースのフレームワークであるモデルを導入する。
  論文  参考訳（メタデータ） (2025-12-10T10:05:31Z)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• Evaluating Large Language Models for Real-World Engineering Tasks [75.97299249823972]
  本稿では,実運用指向のエンジニアリングシナリオから得られた100以上の質問をキュレートしたデータベースを提案する。 このデータセットを用いて、4つの最先端の大規模言語モデル(LLM)を評価する。 以上の結果から,LLMは時間的および構造的推論において強みを示すが,抽象的推論や形式的モデリング,文脈に敏感な工学的論理にはかなり苦労することがわかった。
  論文  参考訳（メタデータ） (2025-05-12T14:05:23Z)
• Assessing the Capability of Large Language Models for Domain-Specific Ontology Generation [1.099532646524593]
  大規模言語モデル(LLM)は、オントロジー工学に大きな可能性を示している。 本稿では,2つの最先端LCM,DeepSeek と o1-preview の一般化可能性について,一連の有能な質問から考察する。 その結果,全ての領域で実験性能が著しく整合していることが判明した。
  論文  参考訳（メタデータ） (2025-04-24T09:47:14Z)
• Ontology Generation using Large Language Models [1.0037949839020768]
  本稿では, メモリレスCQbyCQとOntogeniaという, 自動オントロジー開発のための2つの新しいプロンプト技術を紹介し, 評価する。 OpenAI o1-preview with Ontogeniaはエンジニアの要求を満たすのに十分な品質を提供する。
  論文  参考訳（メタデータ） (2025-03-07T13:03:28Z)
• IDEAL: Leveraging Infinite and Dynamic Characterizations of Large Language Models for Query-focused Summarization [59.06663981902496]
  クエリ中心の要約(QFS)は、特定の関心事に答え、より優れたユーザ制御とパーソナライゼーションを可能にする要約を作成することを目的としている。 本稿では,LLMを用いたQFSモデル,Longthy Document Summarization,およびクエリ-LLMアライメントの2つの重要な特徴について検討する。 これらのイノベーションは、QFS技術分野における幅広い応用とアクセシビリティの道を開いた。
  論文  参考訳（メタデータ） (2024-07-15T07:14:56Z)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)

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。