論文の概要: pro-team at LLMs4OL 2026 Tasks Flagship and Reuse: Retrieval-Augmented Generation and Vocabulary-Constrained Filtering for Ontology Learning

• arxiv url: http://arxiv.org/abs/2608.27101v2
• Date: Tue, 01 Sep 2026 12:50:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.535914
• Title: pro-team at LLMs4OL 2026 Tasks Flagship and Reuse: Retrieval-Augmented Generation and Vocabulary-Constrained Filtering for Ontology Learning
• Title（参考訳）: LLMs4OL 2026 Tasks Flagship and Reuse: Retrieval-Augmented Generation and Vocabulary-Constrained Filtering for Ontology Learning
• Authors: Shivam Mishra, Dhannu Ram Meena, Muneendra Ojha, Krishna Pratap Singh, Kuldeep Singh,
• Abstract要約: 大規模言語モデル(LLM)の著しい進歩にもかかわらず、テキストからのオントロジー学習は依然として困難である。 LLMs4OL 2026 Challengeでは、End-to-End Flagship Task (Task A)とOntology Reuse Extension Task (Task B)の両方に対処する。 本システムでは、Qwen2.5-14B-InstructとAll-MiniLM-L6-v2を用いてデモ検索を行い、タスクAの上位5例とタスクBの上位2例を選択した。 タスクBの場合、生成されたトリプルは決定論的語彙制約のあるフィルタリングを実行し、少なくとも1つのエンドポイントがサンプルに属する場合にトリプルを保持する。
• 参考スコア（独自算出の注目度）: 5.0147105079462415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ontology learning from text remains challenging despite significant progress in Large Language Models (LLMs), which can hallucinate domain terms, produce inconsistent formats, and favor hierarchical over associative relations. In the LLMs4OL 2026 Challenge, we address both the End-to-End Flagship Task (Task A) and Ontology Extension Reuse Task (Task B) using an offline retrieval-augmented few-shot prompting pipeline. Our system employs Qwen2.5-14B-Instruct with all-MiniLM-L6-v2 for demonstration retrieval, selecting the top-5 examples for Task A and top-2 for Task B. A left-truncated context-windowing strategy preserves task instructions within long prompts. For Task B, generated triples undergo deterministic vocabulary-constrained filtering, retaining triples when at least one endpoint belongs to the sample's closed term/type vocabulary and removing duplicates of the initial ontology. The approach achieves Semantic Graph Similarity of 0.8692, Term-Typing F1 of 0.9200, and Taxonomy Discovery F1 of 0.8540 on Task B, while Task A achieves 0.7416 Semantic Graph Similarity. However, no non-taxonomic relations are extracted, highlighting limitations of closed, taxonomy-oriented relation vocabularies.
• Abstract（参考訳）: テキストからのオントロジー学習は、ドメイン用語を幻覚し、一貫性のないフォーマットを生成し、連想関係よりも階層的を好むLarge Language Models (LLMs) の著しい進歩にもかかわらず、依然として困難である。 LLMs4OL 2026 Challengeでは、オフライン検索強化数ショットプロンプトパイプラインを用いて、End-to-End Flagship Task (Task A)とOntology Extension Reuse Task (Task B)の両方に対処する。 本システムはQwen2.5-14B-Instruct with all-MiniLM-L6-v2, selecting top-5 examples for Task A and top-2 for Task B。 タスクBでは、生成された三重項は決定論的語彙制約されたフィルタリングを実行し、少なくとも1つのエンドポイントがサンプルの閉項/型語彙に属し、初期オントロジーの重複を取り除く際に三重項を保持する。 この手法はセマンティックグラフ類似度0.8692、0.9200のタームタイピングF1、タスクB上の分類学発見F1、タスクAがセマンティックグラフ類似度0.7416を達成する。 しかし、非タコノミクス関係は抽出されず、クローズドな分類指向の関係語彙の制限を強調している。

関連論文リスト

• GrOIL: Graph-Grounded Domain Ontology Induction with Constrained LLM Mediation [1.029029220360574]
  ドメイン文書を制約のない生成ステップなしで完全なWeb Ontology Language (OWL) Terminological Box (TBox)に変換する7段階のグラフ基底パイプラインを提案する。 オントロジー成長分析は、大規模な語彙飽和と一致する証拠を提供し、パイプラインが大きなドキュメントコーパスから安定で再利用可能なドメイン表現を生成することを示す。
  論文  参考訳（メタデータ） (2026-08-22T23:15:47Z)
• TAROT: Task-Adaptive Refinement of LLM-prior Graphs for Few-shot Tabular Learning [35.18087118865049]
  TAROT は GNN ベースのフレームワークで,タスク適応型セマンティックグラフの構築と修正によって,その構造とセマンティックをエンコードする。 LLMの幻覚による構造ノイズを軽減するため、TAROTはタスク適応セマンティックグラフリファインメントを導入している。
  論文  参考訳（メタデータ） (2026-06-10T04:02:57Z)
• ContextRAG: Extraction-Free Hierarchical Graph Construction for Retrieval-Augmented Generation [0.9936176521793759]
  グラフ構造化検索拡張生成システム(RAG)は,マルチホップ質問に対する回答品質を向上させることができる。 現在のシステムは、インデックス作成中にエンティティ、関係、要約を抽出するために、大きな言語モデル(LLM)に依存している。 グラフトポロジをLCMベースのエンティティや関係抽出なしで構築したグラフRAGシステムであるContextRAGを提案する。
  論文  参考訳（メタデータ） (2026-05-19T12:08:19Z)
• Heterogeneous LLM Methods for Ontology Learning (Few-Shot Prompting, Ensemble Typing, and Attention-Based Taxonomies) [46.54026795022501]
  LLMs4OL 2025チャレンジのタスクA,B,Cに対処する包括的システムを提案する。 提案手法は、検索強化プロンプト、ゼロショット分類、アテンションに基づくグラフモデリングを組み合わせたものである。 これらのモジュラーでタスク固有のソリューションによって、公式のリーダーボードで上位の成果を得られるようになりました。
  論文  参考訳（メタデータ） (2025-08-26T20:50:16Z)
• LLM as GNN: Graph Vocabulary Learning for Text-Attributed Graph Foundation Models [87.68057302738457]
  Text-Attributed Graphs (TAG) は、現実のシナリオにおいてユビキタスである。 大規模言語モデル(LLMs)とグラフニューラルネットワーク(GNNs)をTAGsに統合する努力にもかかわらず、既存のアプローチは分離されたアーキテクチャに悩まされている。 本稿では,グラフ語彙学習に基づくTAGのための汎用GFMであるPromptGFMを提案する。
  論文  参考訳（メタデータ） (2025-03-05T09:45:22Z)
• DAMO-NLP at SemEval-2023 Task 2: A Unified Retrieval-augmented System for Multilingual Named Entity Recognition [94.90258603217008]
  MultiCoNER RNum2共有タスクは、細粒度でノイズの多いシナリオにおいて、多言語の名前付きエンティティ認識(NER)に取り組むことを目的としている。 MultiCoNER RNum1の以前のトップシステムは、ナレッジベースまたはガゼッタを組み込んでいる。 細粒度多言語NERのための統一検索拡張システム(U-RaNER)を提案する。
  論文  参考訳（メタデータ） (2023-05-05T16:59:26Z)
• UPB at SemEval-2021 Task 7: Adversarial Multi-Task Learning for Detecting and Rating Humor and Offense [0.6404122934568858]
  本稿では, 敵のマルチタスクネットワークであるAMTL-Humorを用いて, ユーモアや攻撃的テキストの検出と評価を行う。 私達の最もよいモデルはすべてのテストされた構成のアンサンブルから成り、95.66% F1スコアおよびタスク1aのための94.70%の正確さを達成します。
  論文  参考訳（メタデータ） (2021-04-13T09:59:05Z)
• Words aren't enough, their order matters: On the Robustness of Grounding Visual Referring Expressions [87.33156149634392]
  視覚的参照表現認識のための標準ベンチマークであるRefCOgを批判的に検討する。 83.7%のケースでは言語構造に関する推論は不要である。 比較学習とマルチタスク学習の2つの手法を提案し,ViLBERTのロバスト性を高める。
  論文  参考訳（メタデータ） (2020-05-04T17:09:15Z)

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。