論文の概要: Robust Interpretation of Historical Documents in Knowledge Graphs Through Query Inference and Execution

• arxiv url: http://arxiv.org/abs/2607.24475v1
• Date: Mon, 27 Jul 2026 14:11:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.452077
• Title: Robust Interpretation of Historical Documents in Knowledge Graphs Through Query Inference and Execution
• Title（参考訳）: 問合せ推論と実行による知識グラフにおける歴史的文書のロバスト解釈
• Abstract要約: 本稿では,歴史的データへのより正確かつ検証可能なアクセスを提供するエージェント検索システムを提案する。 我々は,OCR後訂正のための単語スポッティング技術と知識グラフ表現を統合するセミシンボリックフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.02509168950652
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The emergence of Large Language Models (LLMs) has redefined how users interact with information in digital environments. However, their widespread and often indiscriminate integration has raised significant concerns regarding reliability and trustworthiness issues that are particularly critical when accessing digital libraries and historical archives. How can one leverage the generalization capacity of an LLM without losing the level of accountability required for an archival institution? In this paper, we present an agentic retrieval system designed to deliver more accurate and verifiable access to historical data while preserving much of the flexibility associated with unconstrained LLMs. As a contribution to historical document analysis, we compare traditional Retrieval-Augmented Generation (RAG) with an agentic GraphRAG architecture in their ability to deliver historical information under realistic conditions, including the presence of OCR and transcription errors. We introduce a semi-symbolic framework that integrates word-spotting techniques for post-OCR correction with a knowledge graph representation that enables the agent to access information through synthesized queries. The interleaved collaboration between word spotting and code generation allows the agent to construct strong retrieval queries that are robust to misinterpretation and hallucination, while still leveraging approximate search when noise and uncertainty, common in historical document analysis, would otherwise hinder precise retrieval.
• Abstract（参考訳）: LLM(Large Language Models)の出現は、ユーザがデジタル環境で情報と対話する方法を再定義した。 しかし、その広く、しばしば差別化されていない統合は、デジタル図書館や歴史的アーカイブにアクセスする際に特に重要となる信頼性と信頼性に関する重大な懸念を引き起こしている。 アーカイブ機関に必要な説明責任のレベルを損なうことなく、LLMの一般化能力を活用するにはどうすればいいのか。 本稿では,制約のないLLMの柔軟性を保ちながら,より正確で検証可能な履歴データへのアクセスを実現するエージェント検索システムを提案する。 歴史的文書分析への貢献として,従来の検索・拡張生成(RAG)とエージェントGraphRAGアーキテクチャを比較し,OCRの存在や転写誤りなどの現実的な条件下での歴史的情報提供能力について述べる。 我々は,OCR後訂正のための単語スポッティング技術と知識グラフ表現を統合したセミシンボリックフレームワークを導入し,エージェントが合成クエリを通じて情報にアクセスできるようにする。 単語スポッティングとコード生成のインターリーブされた協調により、エージェントは誤解釈や幻覚に頑健な強力な検索クエリを構築できる。

関連論文リスト

• When Low CER is Not Enough: An Analysis of Hallucinations in Vision-Language OCR Systems on Historical Uruguayan Documents [6.6457932580691015]
  VLM(Vision-Language Models)は、従来のOCRシステムに代わる強力な代替手段として登場した。 本研究では,従来のOCRシステムとVLMに基づくアプローチをBerruttiデータセット上でベンチマークする。
  論文  参考訳（メタデータ） (2026-07-27T07:19:00Z)
• Leveraging External Knowledge for Historical Document Restoration via Retrieval-Augmented Large Language Models [1.0026496861838445]
  検索強化世代(RAG)を用いた大規模言語モデルを活用した歴史文書復元のための新しい枠組みを提案する。 我々の手法はベースラインを著しく上回り、一般的な文字と名前のエンティティの両方を復元する上で大きな成果を上げている。 専門家評価を含む総合評価では、ARIがドメイン専門家の実践的なツールとして機能し、歴史的記録の分析を加速することを約束している。
  論文  参考訳（メタデータ） (2026-07-24T03:11:25Z)
• Conversational Retrieval and On-the-Fly Knowledge Modeling of Historical Penitentiary Repression Records [1.4804887845421213]
  本稿では,歴史的デジタル図書館の管理を目的とした文書解析システムを提案する。 このシステムは、専門家考古学者や文書検索プロセスに由来する事実を記憶する機能を備えている。
  論文  参考訳（メタデータ） (2026-07-09T13:18:52Z)
• Preserving Historical Truth: Detecting Historical Revisionism in Large Language Models [66.75310318710073]
  textttHistoricalMisinfoは45ドル(約4,400円)の国から50ドル(約5,800円)のコンテストイベントを収集したデータセットです。 実世界の利用を近似するために、一般的な通信設定を反映したプロンプトシナリオを11ドルで、各イベントをインスタンス化する。
  論文  参考訳（メタデータ） (2026-02-19T15:05:10Z)
• Separate the Wheat from the Chaff: Winnowing Down Divergent Views in Retrieval Augmented Generation [61.47019392413271]
  WinnowRAGは、価値あるコンテンツを保持しながら、ノイズの多いドキュメントを体系的にフィルタリングするように設計されている。 WinnowRAGは2段階で動作する: ステージIでは、クエリ対応クラスタリングを行い、類似したドキュメントをグループ化し、異なるトピッククラスタを形成する。 ステージIIでは,批判的なLCMが複数のエージェントの出力を評価し,有用な文書をノイズのあるものから反復的に分離する。
  論文  参考訳（メタデータ） (2025-11-01T20:08:13Z)
• 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)
• ReliabilityRAG: Effective and Provably Robust Defense for RAG-based Web-Search [69.60882125603133]
  本稿では,検索した文書の信頼性情報を明確に活用する,敵対的堅牢性のためのフレームワークであるReliabilityRAGを提案する。 我々の研究は、RAGの回収されたコーパスの腐敗に対するより効果的で確実に堅牢な防御に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2025-09-27T22:36:42Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• GenDFIR: Advancing Cyber Incident Timeline Analysis Through Retrieval Augmented Generation and Large Language Models [0.08192907805418582]
  デジタル法医学とインシデント応答(DFIR)におけるサイバータイムライン解析の重要性 伝統的な手法は、証拠の識別と特徴抽出のためにログやメタデータのような構造化された成果物に依存している。 本稿では,大規模言語モデル(LLM)を利用したフレームワークであるGenDFIR,特にゼロショットモードのLlama 3.1 8Bについて紹介し,Retrieval-Augmented Generation (RAG)エージェントと統合する。
  論文  参考訳（メタデータ） (2024-09-04T09:46:33Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• Yes but.. Can ChatGPT Identify Entities in Historical Documents? [8.591605318423321]
  大規模言語モデル(LLM)は数年前から利用されており、現代文書から実体を認識する上で最先端のパフォーマンスが得られている。 ChatGPTは、科学的コミュニティや一般大衆に多くの関心を喚起している。
  論文  参考訳（メタデータ） (2023-03-30T12:23:39Z)

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。