論文の概要: Automatic Knowledge Graph Construction and Query for Earthquake Catalogs
- arxiv url: http://arxiv.org/abs/2607.24984v1
- Date: Mon, 27 Jul 2026 18:39:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.594374
- Title: Automatic Knowledge Graph Construction and Query for Earthquake Catalogs
- Title（参考訳）: 地震カタログの自動知識グラフ構築と問合せ
- Abstract要約: 本稿では,最初のアプリケーショングラフベースの検索生成機能であるGraphRAGを生のレコードに直接提示する。
手動のデータ構造を必要とせず、パイプラインは3つの地震カタログのための構造的に完全なクエリ可能な知識グラフを構築している。
- 参考スコア（独自算出の注目度）: 1.5612040984769855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, the number of events in earthquake catalogs has significantly increased due to the utilization of more effective deep learning based detectors and phase pickers but answering open ended questions such as what characterizes this sequence? remains constrained by rigid spatiotemporal windowing and subjective expert interpretation. We present the first systematic application of graph based retrieval augmented generation GraphRAG directly to raw, tabular catalog records across three independently featured catalogs, a reservoir adjacent swarm, the 2019 Ridgecrest tectonic sequence, and the 2021 Maduo Mw7.4 aftershock sequence. Without the need for manual data structuring, the pipeline builds structurally complete, queryable knowledge graphs for all three. Rigorous evaluation individually verified against catalog derived ground truth and a rule based reference graph exposes failure modes, and four seismology informed prompt fixes eliminate all targeted fabrications while sharply improving mechanism reasoning. A vector RAG baseline demonstrates the graph layers distinctive value, catalog wide summarization and temporal stage comparison. In addition, we have identified two main pitfalls that need attention. GraphRAG thus offers a practical, transferable, near zero cost query interface for earthquake catalogs, where careful prompting ensures the results are consistently accurate and trustworthy.
- Abstract（参考訳）: 近年では、より効果的な深層学習に基づく検出器と位相ピッカーの利用により、地震カタログのイベント数が大幅に増加したが、どのシーケンスを特徴付けるのかといったオープンエンドの疑問に答えている。
厳格な時空間の窓と 主観的な専門家の解釈に 制約されています
グラフベースの検索強化グラフRAGの最初の体系的応用として、3つの独立したカタログ、貯水池に隣接するSwarm、2019年リッジクレストテクトニックシークエンス、2021年マドゥオMw7.4アフターショックシークエンスがある。
手動のデータ構造を必要とせずに、パイプラインは構造的に完全なクエリ可能な知識グラフを3つすべて構築する。
カタログ由来の地層真実と規則に基づく基準グラフに対して厳密な評価を個別に行うと、故障モードが明らかになり、4つの地震学に通知されたインシデント修正により、対象とするすべての製造物が取り除かれ、機構の推論が大幅に改善される。
ベクトルRAGベースラインは、グラフ層固有の値、カタログ幅の要約、時間段階の比較を示す。
さらに、注意を要する2つの主要な落とし穴を特定しました。
したがって、GraphRAGは地震カタログに対して実用的で転送可能で、ほぼゼロのコストクエリインタフェースを提供し、慎重にプロンプトすることで、結果が一貫して正確で信頼性の高いものであることを保証している。
関連論文リスト
- From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG [8.449978933501965]
本稿では,参照資料を構造化知識グラフに整理するグラフ検索拡張生成(GraphRAG)フレームワークを提案する。
提案手法では,高忠実度グラフ構築のためのMicrosoft GraphRAGとHippoRAGニューロシンボリックアルゴリズムの2相パイプラインを用いる。
論文 参考訳（メタデータ） (2026-02-28T04:44:06Z) - HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。
Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。
ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-02-24T14:05:29Z) - Bridging Graph Structure and Knowledge-Guided Editing for Interpretable Temporal Knowledge Graph Reasoning [41.47899305706817]
時間的知識グラフ推論は、行方不明なエンティティを動的知識構造で推論することで、将来の事象を予測することを目的としている。
既存のLLMベースの推論手法は、動的グラフから関連する部分グラフを抽出するのに苦労して、構造的関係よりも文脈的を優先する。
グラフニューラルネットワーク(GNN)の構造的時間モデリング機能とLLMの文脈的理解を組み合わせたハイブリッド推論フレームワークIGETRを提案する。
論文 参考訳（メタデータ） (2026-01-29T16:55:13Z) - Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。
4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
論文 参考訳（メタデータ） (2026-01-23T05:41:05Z) - LinearRAG: Linear Graph Retrieval Augmented Generation on Large-scale Corpora [17.929144506419064]
Retrieval-Augmented Generation (RAG) は大規模言語モデル(LLM)の幻覚を軽減するために広く用いられている。
既存のグラフベースのRAG法は、グラフ構築のための不安定でコストのかかる関係抽出に依存している。
信頼性の高いグラフ構築と正確な経路抽出を可能にする効率的なフレームワークであるLinearRAGを提案する。
論文 参考訳（メタデータ） (2025-10-11T08:43:45Z) - Reasoning by Exploration: A Unified Approach to Retrieval and Generation over Graphs [39.425801384830415]
構造化グラフに対する推論は、大規模言語モデルにとって依然として根本的な課題である。
グラフ探索のプロセスとしてグラフ上の推論をフレーミングすることによって検索と生成を統一する新しい手法であるReasoning by Exploration (RoE)を提案する。
RoEは、ベースラインよりも大幅に全体的な改善を実現し、また、目に見えないグラフに効果的に一般化する。
論文 参考訳（メタデータ） (2025-10-08T19:29:19Z) - Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning [32.78218766121055]
グラフ検索拡張生成(GraphRAG)は,複雑な推論において,大規模言語モデルを効果的に拡張した。
本稿では,フレームワーク全体を複雑な統合として結合する,垂直に統一されたエージェントパラダイムYoutu-GraphRAGを提案する。
論文 参考訳（メタデータ） (2025-08-27T13:13:20Z) - Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。
Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。
本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
論文 参考訳（メタデータ） (2025-05-22T05:15:27Z) - GraphDCA -- a Framework for Node Distribution Comparison in Real and
Synthetic Graphs [72.51835626235368]
2つのグラフを比較するとき、ノード構造的特徴の分布は、グローバルグラフ統計よりも有益である、と我々は主張する。
本稿では,各ノード表現セットのアライメントに基づいてグラフ間の類似性を評価するフレームワークGraphDCAを提案する。
論文 参考訳（メタデータ） (2022-02-08T14:19:19Z) - Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。
具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文 参考訳（メタデータ） (2022-01-17T11:57:29Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳（メタデータ） (2020-04-17T11:55:03Z)
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。