論文の概要: Toward Effective and Reliable LLM Agents via Dynamic Ontology

• arxiv url: http://arxiv.org/abs/2608.22974v1
• Date: Mon, 24 Aug 2026 08:33:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.994945
• Title: Toward Effective and Reliable LLM Agents via Dynamic Ontology
• Title（参考訳）: 動的オントロジーによる効果的で信頼性の高いLLMエージェントの実現に向けて
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 21.48160246568531
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents rely heavily on knowledge encoded in model parameters or presented as unstructured context. In domain-specific tasks, this leaves important semantic connections implicit. This often results in incomplete evidence use and brittle multi-step decisions. Ontologies offer a way to externalize domain concepts and relations as machine-interpretable structures, but constructing task-usable ontologies traditionally requires substantial effort from domain experts and is difficult to scale. Automatic construction is also challenging: an ontology that appears semantically plausible may not contain the relational structures needed for actual decision making. We present OaK, an ontology-as-a-kernel framework that dynamically constructs and refines task-oriented ontologies for LLM agents. Given task requirements and training data, OaK constructs an ontology and its knowledge graph, generates task-adaptation functions for graph reasoning, and uses judge feedback to iteratively refine both. By making relevant concepts and relations explicit, the ontology grounds knowledge retrieval and multi-step decision making. We evaluate OaK on TravelPlanner, CRMArenaPro, and ToolQA. Results show that OaK improves standard LLM agents, strengthens evidence grounding, and boosts the reliability of multi-step reasoning.
• Abstract（参考訳）: 大規模言語モデル(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。 ドメイン固有のタスクでは、これは重要なセマンティックなつながりを暗黙的に残します。 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手段を提供するが、伝統的にタスク使用可能なオントロジを構築するには、ドメインの専門家による多大な努力が必要であり、スケールが困難である。 意味論的に妥当と思われるオントロジーは、実際の意思決定に必要な関係構造を含まないかもしれない。 LLMエージェントのタスク指向オントロジーを動的に構築・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について述べる。 タスク要求とトレーニングデータから、OaKはオントロジーとその知識グラフを構築し、グラフ推論のためのタスク適応関数を生成し、判断フィードバックを使用して両方を反復的に洗練する。 関連する概念と関係を明確にすることで、オントロジーは知識検索と多段階意思決定の基礎となる。 我々はTravelPlanner,CRMArenaPro,ToolQAでOaKを評価した。 その結果,OaK は標準 LLM エージェントの改良,エビデンス基盤の強化,多段階推論の信頼性の向上を実現している。

関連論文リスト

• Knowledge-Centric Agents for Workflow Generation [73.4340391112949]
  複数の抽象化レベルにわたる知識を逆転させ、注入し、推論することを学ぶ知識中心のフレームワークを提案する。 提案手法は,ノードの多様性,コヒーレントな構造,既存システムよりも高い実行成功率で生成する。
  論文  参考訳（メタデータ） (2026-07-17T11:03:01Z)
• ReasoningLens: Hierarchical Visualization and Diagnostic Auditing for Large Reasoning Models [73.59878306788815]
  ReasoningLensは、複雑な推論チェーンの階層的な可視化と診断監査のために設計されたオープンソースのフレームワークである。 ReasoningLensは、(1)高レベルの戦略と低レベルの実行を分離する対話的階層にトレースを構造化し、(2)エージェント監査を自動エラー検出とツール拡張検証に活用する。
  論文  参考訳（メタデータ） (2026-06-22T14:28:35Z)
• Doc2AHP: Inferring Structured Multi-Criteria Decision Models via Semantic Trees with LLMs [7.026862437055361]
  AHPの原理を導いた新しい構造推論フレームワークDoc2AHPを提案する。 重み付けの数値的整合性を確保するために,多エージェント重み付け機構と適応整合性最適化戦略を導入する。 実験の結果,Doc2AHPは非熟練ユーザに対して,スクラッチから高品質な意思決定モデルを構築する権限を与えるだけでなく,論理的完全性とダウンストリームタスク精度の両方において,直接生成ベースラインを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2026-01-23T06:20:23Z)
• Construct, Align, and Reason: Large Ontology Models for Enterprise Knowledge Management [9.901440359781732]
  従来の知識グラフは暗黙の関係発見に苦慮し、複雑な質問に対する十分な意味理解が欠けている。 我々は,大規模オントロジーモデル (LOM) である統合構成-アライン-レアソンフレームワークを導入する。 構造理解を改善するため,オントロジー命令の微調整,ノードセマンティックエンコーディングを強化するためにテキストオントロジーを基礎とする,カリキュラム学習によるオントロジー言語対をマルチタスクでチューニングし,セマンティック推論を強化する,という3段階の訓練パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-01-18T05:30:03Z)
• SEAL: Self-Evolving Agentic Learning for Conversational Question Answering over Knowledge Graphs [28.59157823781425]
  SEALは、自己進化型エージェント学習に基づく、2段階のセマンティックパーシングフレームワークである。 SEALは、特にマルチホップ推論、比較、集約タスクにおいて、最先端のパフォーマンスを達成する。 その結果, 構造精度と計算効率の両面で有意な向上が認められた。
  論文  参考訳（メタデータ） (2025-12-04T14:52:30Z)
• RemoteReasoner: Towards Unifying Geospatial Reasoning Workflow [19.502882116487005]
  リモートセンシング画像は、大きく、本質的に非構造的な空間データを提示する。 地理空間推論のための統合ワークフローであるRemoteReasonerを提案する。 RemoteReasonerは、複数の粒度推論タスクにわたる最先端(SOTA)パフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-07-25T13:58:11Z)
• STRUCTSENSE: A Task-Agnostic Agentic Framework for Structured Information Extraction with Human-In-The-Loop Evaluation and Benchmarking [2.355572228890207]
  StructSenseは、大規模言語モデル上に構築された構造化情報抽出のためのモジュラーでタスクに依存しないオープンソースのフレームワークである。 複雑なドメインコンテンツを効果的にエンコードできるドメイン固有のシンボリック知識によって導かれる。 我々は、StructSenseがドメイン感度の限界とクロスタスクの一般化性の欠如を克服できることを実証した。
  論文  参考訳（メタデータ） (2025-07-04T15:51:07Z)
• KAG-Thinker: Interactive Thinking and Deep Reasoning in LLMs via Knowledge-Augmented Generation [35.555200530999365]
  我々は、KAG-Thinkerを導入し、KAGをマルチターン対話型思考と、専用パラメータライト大言語モデル(LLM)を利用した深い推論フレームワークにアップグレードする。 提案手法は,複雑な問題を解くための構造化思考プロセスを構築し,推論過程の論理的一貫性と文脈的整合性を高める。
  論文  参考訳（メタデータ） (2025-06-21T14:58:53Z)
• StructRAG: Boosting Knowledge Intensive Reasoning of LLMs via Inference-time Hybrid Information Structurization [94.31508613367296]
  Retrieval-augmented Generation(RAG)は、大規模言語モデル(LLM)を効果的に強化する鍵となる手段である。 本稿では,手前のタスクに対して最適な構造型を識別し,元の文書をこの構造化形式に再構成し,その結果に基づいて回答を推測するStructRAGを提案する。 実験の結果、StructRAGは最先端のパフォーマンスを実現し、特に挑戦的なシナリオに優れていた。
  論文  参考訳（メタデータ） (2024-10-11T13:52:44Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
  エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。 このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。 3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-04-04T14:59:32Z)
• Automated Relational Meta-learning [95.02216511235191]
  本稿では,クロスタスク関係を自動的に抽出し,メタ知識グラフを構築する自動リレーショナルメタ学習フレームワークを提案する。 我々は,2次元玩具の回帰と少数ショット画像分類に関する広範な実験を行い,ARMLが最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-03T07:02:25Z)

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。