論文の概要: EGT-KG: Evidence-Grounded Typed KG Retrieval for Practical Scientific QA with Small Language Models
- arxiv url: http://arxiv.org/abs/2609.00479v1
- Date: Mon, 31 Aug 2026 23:27:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.16257
- Title: EGT-KG: Evidence-Grounded Typed KG Retrieval for Practical Scientific QA with Small Language Models
- Title（参考訳）: EGT-KG:小言語モデルを用いた科学的QAのための証拠付き型付きKG検索
- Abstract要約: 我々は,小言語モデル(SLM)における科学的質問応答を改善するために,Evidence-Grounded Typed Knowledge Graph (EGT-KG)を提案する。
EGT-KGは、ほとんどの設定でバニラRAG法よりも優れており、ラマ3:8b:ファイナルスコアが70.37(+14.67%)、AS/ES EGT-KGが68.82(+12.14%)である。
- 参考スコア（独自算出の注目度）: 5.489552784507606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For emerging scientific research domains, local Small Language Models (SLMs) are becoming more attractive, as they offer stronger privacy control and more stable deployment pipelines than Large Language Models. However, in practice, scientific question-answering on SLMs often operates under inevitable constraints: small literature collections, fragmented evidence, limited context window and reasoning abilities. We propose the Evidence-Grounded Typed Knowledge Graph (EGT-KG), a retrieval framework to improve information retrieval with local SLMs. We assessed three question-answering settings: a vanilla Retrieval-Augmented Generation (RAG) workflow and two EGT-KG workflows: an automatically generated relation schema (AS) and an expert-defined relation schema (ES). Our experiments were evaluated with a six-dimensional evaluation framework (S3CRF: Soundness, Correctness, Completeness, Conciseness, Relevance, Fluency) on a Biopolymer-bound Soil Composite literature benchmark, showing that EGT-KG outperforms the vanilla RAG method in most settings, with the best improvement from llama3:8b: a Final Score of 70.37 (+14.67%) and 68.82 (+12.14%) by AS/ES EGT-KG variants.
- Abstract（参考訳）: 新たな科学研究領域では、大きな言語モデルよりも強力なプライバシコントロールと安定したデプロイメントパイプラインを提供するため、ローカルのSLM(Small Language Models)がより魅力的になっています。
しかし、実際には、SLMに関する科学的質問答えは、小さな文献コレクション、断片化された証拠、限られたコンテキストウィンドウ、推論能力といった、必然的な制約の下で機能することが多い。
本稿では,ローカルSLMによる情報検索を改善するための検索フレームワークであるEvidence-Grounded Typed Knowledge Graph (EGT-KG)を提案する。
バニラ検索-拡張生成(RAG)ワークフローと2つのEGT-KGワークフロー – 自動生成関係スキーマ(AS)とエキスパート定義関係スキーマ(ES) – の3つの質問応答設定を評価した。
S3CRF: 健全性, 完全性, 簡潔性, 関連性, 拡散性) を生体高分子に結合した土壌総合文献ベンチマークで評価した結果, EGT-KG はバニラ RAG 法をほとんどの条件で上回り, llama3:8b: ファイナルスコア 70.37 (+14.67%) と68.82 (+12.14%) をAS/ES EGT-KG 変種により改善した。
関連論文リスト
- OMNIA: Closing the Loop by Leveraging LLMs for Knowledge Graph Completion [5.1405091437027455]
我々は、知識グラフ補完のための構造的および意味論的推論を橋渡しする2段階のアプローチであるOMNIAを提案する。
まず、KG内の意味論的関連エンティティと関係をクラスタリングして候補三重項を生成し、その後、軽量な埋め込みフィルタリングによってそれらを検証する。
F1スコアは従来の埋め込みベースのモデルに比べて大幅に改善されている。
論文 参考訳（メタデータ） (2026-03-12T11:30:41Z) - Evaluating Prompt Engineering Techniques for RAG in Small Language Models: A Multi-Hop QA Approach [9.672512327395435]
Retrieval Augmented Generation (RAG)は、外部知識を統合することで言語モデルの現実的な基盤を強化するための強力なアプローチである。
本稿では,プロンプトテンプレート設計がRAG性能に与える影響を大規模に検討する。
その結果,Qwen2.5では83%,Gemma3-4B-Itでは84.5%の大幅なパフォーマンス向上が確認された。
論文 参考訳（メタデータ） (2026-02-14T21:17:44Z) - Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ
これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。
既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。
我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
論文 参考訳（メタデータ） (2025-09-25T06:48:52Z) - KG-CF: Knowledge Graph Completion with Context Filtering under the Guidance of Large Language Models [55.39134076436266]
KG-CFはランキングベースの知識グラフ補完タスクに適したフレームワークである。
KG-CFは、LLMの推論能力を活用して、無関係なコンテキストをフィルタリングし、現実世界のデータセットで優れた結果を得る。
論文 参考訳（メタデータ） (2025-01-06T01:52:15Z) - Simple Is Effective: The Roles of Graphs and Large Language Models in Knowledge-Graph-Based Retrieval-Augmented Generation [9.844598565914055]
大きな言語モデル(LLM)は強い推論能力を示すが、幻覚や時代遅れの知識のような制限に直面している。
本稿では、サブグラフを検索する知識グラフ(KG)ベースのRetrieval-Augmented Generation(RAG)フレームワークを拡張するSubgraphRAGを紹介する。
提案手法は,高効率かつフレキシブルなサブグラフ検索を実現するために,並列3重装飾機構を備えた軽量多層パーセプトロンを革新的に統合する。
論文 参考訳（メタデータ） (2024-10-28T04:39:32Z) - Distill-SynthKG: Distilling Knowledge Graph Synthesis Workflow for Improved Coverage and Efficiency [59.6772484292295]
大規模言語モデル(LLM)によって生成される知識グラフ(KG)は、検索・拡張生成(RAG)アプリケーションにとってますます価値が増している。
既存のKG抽出法は、大規模コーパスの処理に非効率なプロンプトベースのアプローチに依存している。
LLMに基づく多段階文書レベルのKGワークフローであるSynthKGを提案する。
我々はまた、RAGのための新しいグラフベースの検索フレームワークを設計する。
論文 参考訳（メタデータ） (2024-10-22T00:47:54Z) - Language Model Preference Evaluation with Multiple Weak Evaluators [89.90733463933431]
PGEDは,複数のモデルに基づく評価器を用いて嗜好グラフを構築し,非循環的非競合性評価結果に対してこれらのグラフをアンサンブルし,デノテーズする手法である。
1)評価のためのモデルランキング、2)テスト時間スケーリングのための応答選択、3)モデル微調整のためのデータ選択である。
論文 参考訳（メタデータ） (2024-10-14T01:57:25Z) - Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。
生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。
我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
論文 参考訳（メタデータ） (2024-10-02T20:48:28Z) - SFR-RAG: Towards Contextually Faithful LLMs [57.666165819196486]
Retrieval Augmented Generation (RAG) は、外部コンテキスト情報を大言語モデル(LLM)と統合し、事実の精度と妥当性を高めるパラダイムである。
SFR-RAG(SFR-RAG)について述べる。
また、複数の人気かつ多様なRAGベンチマークをコンパイルする新しい評価フレームワークであるConBenchについても紹介する。
論文 参考訳（メタデータ） (2024-09-16T01:08:18Z) - GS-KGC: A Generative Subgraph-based Framework for Knowledge Graph Completion with Large Language Models [7.995716933782121]
我々は textbfGenerative textbfSubgraph-based KGC (GS-KGC) と呼ばれる新しい補完フレームワークを提案する。
このフレームワークは、主に負と隣人を生成するように設計された部分グラフ分割アルゴリズムを含んでいる。
4つの共通のKGCデータセットで実施された実験は、提案されたGS-KGCの利点を強調している。
論文 参考訳（メタデータ） (2024-08-20T13:13:41Z)
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。