論文の概要: Grounded and Faithful P&ID Reasoning: Constraining Vision-Language Models with Recovered Evidence Graphs

• arxiv url: http://arxiv.org/abs/2609.05880v1
• Date: Sat, 05 Sep 2026 05:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.159855
• Title: Grounded and Faithful P&ID Reasoning: Constraining Vision-Language Models with Recovered Evidence Graphs
• Title（参考訳）: 接地的で忠実なP&ID推論: 復元されたエビデンスグラフを用いた視覚言語モデルの制約
• Abstract要約: Graph-Grounded Harness (Ours)は、画像のみのプロンプトで36.7-41.3%の精度でマッチする。 Digitize-PIDデータセットでは、復元されたグラフは、正確なプロセス接続でF1 0.742、シンボルとタグがプールされると0.801となる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Piping and Instrumentation Diagrams (P&IDs) are the authoritative maps of process plants: isolation, maintenance, and HAZOP decisions depend on what connects to what. Vision-language models describe these sheets fluently, yet they often invent or miss process connections---and an invented or missed link can reverse an isolation or reachability call, so a plant decision cannot trust a fluent answer that was never checked against the linework. We instead recover an explicit graph of the drawing---its symbols, the process connections between them, and the tags that name them---and then require the model to answer only by querying that graph through seven read-only operators, so a topology claim is returned only when it cites the query results that support it. On TopoPID-VQA, a new suite of 3000 topology questions over these sheets, Graph-Grounded Harness (Ours) raises exact match accuracy from 36.7--41.3% under image-only prompting to 74.3--76.0% for Qwen3-VL-4B, Qwen3-VL-8B, and Gemma-4-E4B. It does so on an imperfect substrate: on Digitize-PID dataset the recovered graph scores F1 0.742 on exact process connections, and 0.801 once symbols and tags are pooled in. The residual errors track that gap---grounding pays off where the recovered graph is right, and perception error still breaks topology questions where it is not.
• Abstract（参考訳）: P&ID(Piping and Instrumentation Diagram)は、プロセスプラントの信頼性マップである。 ビジョン言語モデルでは、これらのシートを流動的に記述するが、プロセス接続を発明したり、見逃したりすることが多い。そして、発明されたリンクや欠落したリンクは、分離または到達可能性呼び出しを逆転させる可能性があるため、プラントの決定は、ラインワークに対してチェックされたことのない、流動的な答えを信頼できない。代わりに、描画-itシンボル、プロセス接続、そしてそれらに名前をつけたタグの明示的なグラフを復元する。それから、そのグラフを7つの読み取り専用オペレータを通してクエリすることで、モデルに応答することを要求する。したがって、トポロジ的なクレームは、それをサポートするクエリ結果を参照した場合にのみ返される。 TopoPID-VQAでは、これらのシート上の3000のトポロジー質問の新しいスイートであるGraph-Grounded Harness (Ours)は、画像のみのプロンプトで36.7-41.3%から、Qwen3-VL-4B、Qwen3-VL-8B、Gemma-4-E4Bの74.3-76.0%まで正確なマッチング精度を上げた。 Digitize-PIDデータセットでは、回収されたグラフは、正確なプロセス接続でF1 0.742、シンボルとタグがプールされると0.801となる。 残差エラーは、そのギャップ-グラウンド-グラウンド-は、回復したグラフが正しい位置にあることを追跡します。

関連論文リスト

• Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
  クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。 反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
  論文  参考訳（メタデータ） (2026-09-02T08:10:22Z)
• Schema-Agnostic Graph Reasoning Agent for Hybrid Knowledge Graphs [42.698418800007865]
  本稿では,ハイブリッド知識グラフを探索するグラフ推論エージェントGRAを紹介する。 258の産業ベンチマークであるUFK-Mでは、GRAは5.1ppのフルコンテキストエージェントを上回った。 グラフのない制御は、主にグラフトポロジではなく、選択的なエージェントアクセスから得られる利得を示している。
  論文  参考訳（メタデータ） (2026-08-16T16:10:32Z)
• SEER: A Self-Grounded Evidence Interface for Controlled Spatial Relation Classification [71.9783246097687]
  SEERは、ペアローカライゼーション中の候補関係を隠蔽し、明示的な主観的/対象的役割を持つクエリ固有ビューを構築し、補完的な証拠として完全なイメージとスパースボックス幾何学を保持する。 正確な逆サポートを持つ関係選択プロトコルでは、オプションリファインメントがエンティティロールを交換し、正確に1つの視覚状態が対応する逆関係に従う場合にのみ前方決定を変更する。 変更されていないプロトコルは、3つのモデルにまたがる2,434個のフィルター付きEmbSpatialペア関係質問に対して +4.35 から +11.79 を得る。
  論文  参考訳（メタデータ） (2026-08-04T13:16:15Z)
• Query-Aware Spreading Activation for Multi-Hop Retrieval over Knowledge Graphs [0.0]
  ほとんどの既存のシステムでは、問題はシードノードのみを設定する。 このアーキテクチャでは、完全なグラフをPythonメモリにロードし、様々なイテレーションで反復的なソルバを必要とする。 そこで我々は,同じクエリ認識を実現する拡散活性化法を提案する。 ステップごとに1つのセマンティックゲートで検索する。
  論文  参考訳（メタデータ） (2026-06-29T11:10:19Z)
• CYGNET: Cypher Gate for Neural Execution Triage and Cost Containment [0.0]
  クエリ生成と運用用Neo4jデータベースの間に,事前実行ゲートを設置する。 ゲートは、ミラーグラフに対する実行が5.6msの中央遅延で終わる4つのバックチェーンを通して構造を検証する。 7つのCypherBenchスキーマ(2348の質問、ACL 2025)では、パイプラインはテスト対象のモデル毎に生成精度を維持し、安全な防御層として動作することを確認した。
  論文  参考訳（メタデータ） (2026-06-03T09:13:05Z)
• DRAGON: A Benchmark for Evidence-Grounded Visual Reasoning over Diagrams [54.39165467997251]
  ダイアグラムにおけるエビデンスグラウンドの視覚的推論を評価するためのベンチマークであるDRAGONを紹介する。 ダイアグラム、質問、そして正しい答えが与えられた場合、モデルは答えを正当化するために必要な視覚的要素に対応する境界ボックスを予測する必要がある。 DRAGONデータセットには、6つの図QAデータセットから収集された11,664の注釈付き質問インスタンスが含まれている。
  論文  参考訳（メタデータ） (2026-04-28T05:24:05Z)
• Semantic Layers for Reliable LLM-Powered Data Analytics: A Paired Benchmark of Accuracy and Hallucination Across Three Frontier Models [0.0]
  解析データベースの自然言語クエリ用にデプロイされたLLMは、2つの障害に悩まされる。 ClickHouseのCleaned Contoso Retailデータセットに対して,100の自然言語質問に対して,3つのフロンティアLSMをベンチマークした。
  論文  参考訳（メタデータ） (2026-04-28T02:53:23Z)
• ChartVerse: Scaling Chart Reasoning via Reliable Programmatic Synthesis from Scratch [57.01439313241121]
  グラフの複雑さを定量化する新しい指標であるRollout Posterior Entropy(RPE)を紹介する。 また、推論厳密性を保証するために、真正対応の逆QA合成を開発する。 さらに, モデルフェールレートに基づく試料をろ過し, 高品質なCoT (Chain-of-Thought) 推算を行った。
  論文  参考訳（メタデータ） (2026-01-20T05:11:44Z)
• Interpretable Question Answering with Knowledge Graphs [0.19695349076827803]
  本稿では,知識グラフ検索のみで動作する質問応答システムを提案する。 知識グラフのクエリから取得したエンティティ関係エッジをパラフレーズ化するために、小さなパラフレーズモデルが使用される。 この研究はCRAGベンチマークでLCM-as-a-judgeを用いて評価され、71.9%と54.4%の精度が得られた。
  論文  参考訳（メタデータ） (2025-10-22T02:36:35Z)
• Localizing and Mitigating Errors in Long-form Question Answering [79.63372684264921]
  LFQA(Long-form Question answering)は、複雑な質問に対して徹底的で深い回答を提供し、理解を深めることを目的としている。 この研究は、人書きおよびモデル生成LFQA回答の局所的エラーアノテーションを備えた最初の幻覚データセットであるHaluQuestQAを紹介する。
  論文  参考訳（メタデータ） (2024-07-16T17:23:16Z)
• TACRED Revisited: A Thorough Evaluation of the TACRED Relation Extraction Task [80.38130122127882]
  TACREDはリレーショナル抽出(RE)において最も大きく、最も広く使われているクラウドソースデータセットの1つである パフォーマンスの天井に到達したのか、改善の余地はあるのか? ラベルエラーは絶対F1テストエラーの8%を占めており、例の50%以上を可逆化する必要がある。
  論文  参考訳（メタデータ） (2020-04-30T15:07:37Z)

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。