Fugu-MT 論文翻訳(概要): An Evidence-First Multi-LLM Framework for Auditable Critical-Infrastructure Dependency Modeling

論文の概要: An Evidence-First Multi-LLM Framework for Auditable Critical-Infrastructure Dependency Modeling

arxiv url: http://arxiv.org/abs/2609.12360v1
Date: Fri, 11 Sep 2026 02:33:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-15 07:38:31.588285
Title: An Evidence-First Multi-LLM Framework for Auditable Critical-Infrastructure Dependency Modeling
Title（参考訳）: Evidence-First Multi-LLM Framework for Auditable critical-infrastructure Dependency Modeling
Abstract要約: クリティカル・インフラクチャーの知識は異種、不完全、弱構造化の証拠に分散している。異種インフラ文書からインフラストラクチャ知識ベース(IKB)とインフラストラクチャ依存グラフ(IDG)を構築するためのエビデンスファーストのマルチLLMフレームワークを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Critical-infrastructure knowledge is distributed across heterogeneous, incomplete, and weakly structured evidence, making dependency models difficult to construct automatically and difficult to trust. Large language models (LLMs) can extract structured knowledge from such evidence, but direct LLM-to-graph generation risks unsupported relationships, inconsistent terminology, incorrect entity identities, and erroneous dependency endpoints. We present an evidence-first multi-LLM framework for constructing Infrastructure Knowledge Bases (IKBs) and Infrastructure Dependency Graphs (IDGs) from heterogeneous infrastructure documentation. Multiple open-weight LLMs independently extract candidate entities and dependencies from normalized evidence, after which the framework separates evidence verification, ontology grounding, entity resolution, dependency alignment, validation, fusion, and human review. Evidence support, ontology reconciliation, endpoint resolution, model agreement, and human validation remain distinct states, while provenance and unresolved cases are preserved throughout. The validated IKB is then projected deterministically into the IDG without introducing new LLM-generated knowledge. Evaluation in nine infrastructure projects shows that entity recovery achieves substantially higher recall than complete directed dependency recovery and that canonical endpoint resolution is a major constraint in dependency construction. Cross-model overlap is also much lower for dependencies than for entities, indicating that the models often produce non-overlapping candidate assertions rather than a stable majority consensus. These findings support an auditable evidence-to-IKB-to-IDG process in which uncertainty is preserved and resolved progressively rather than collapsed into a single confidence or voting decision.
Abstract（参考訳）: クリティカル・インフラクチャーの知識は異種、不完全、弱構造化された証拠に分散しており、依存モデルの構築が困難で、信頼が難しい。大規模言語モデル(LLM)は、そのような証拠から構造化された知識を抽出することができるが、直接LLM-to-graph生成は、不整合項、不正な実体の同一性、誤った依存関係のエンドポイントなど、不確実な関係を伴わない。異種インフラ文書からインフラストラクチャ知識ベース(IKB)とインフラストラクチャ依存グラフ(IDG)を構築するためのエビデンスファーストのマルチLLMフレームワークを提案する。複数のオープンウェイトLDMは、正常化された証拠から候補エンティティと依存関係を独立して抽出し、その後、証拠検証、オントロジー基盤、エンティティ解決、依存関係のアライメント、検証、融合、人間レビューを分離する。エビデンスのサポート、オントロジーの和解、エンドポイントの解決、モデル合意、人間による検証は相変わらず異なる状態のままであり、証明と未解決のケースは至る所で保存されている。検証されたIKBは、新しいLLM生成知識を導入することなく、IDGに決定的に投影される。 9つのインフラストラクチャプロジェクトの評価では、エンティティのリカバリは完全な依存性リカバリよりも大幅に高いリカバリを実現し、標準エンドポイントの解決が依存性構築の大きな制約であることを示している。モデル間のオーバーラップはエンティティよりもはるかに低いため、モデルが安定な多数決ではなく、重複しない候補のアサーションをしばしば生成することを示している。これらの知見は、単一の信頼や投票決定に崩壊するのではなく、不確実性を維持し、徐々に解決する監査可能な証拠-IKB-to-IDGプロセスを支持する。

関連論文リスト

CLAIM: Leading Open-domain Active Clarification of Large Language Models with Uncertainty Measurement [50.91045324738942]
CLAIMは、オープンドメイン環境でのアクティブな明確化学習のための不確実性駆動フレームワークである。本研究では,不確実性推定とセマンティッククラスタリングと推論に基づく判断を統合したエントロピー駆動型合成データ生成パイプラインを提案する。実験の結果,手動でラベル付けしたデータに頼ることなく,CLAIMが安定かつ一般化可能な明確化戦略を学習できることが確認された。
論文参考訳（メタデータ） (2026-08-12T04:27:45Z)
COSMO: Consensus-Driven Shift Modulation for Source-Free Domain Adaptation [79.43842208099619]
ソースフリードメイン適応(SFDA)は、ソースデータなしでラベルなしのターゲットドメインにソーストレーニングされたモデルを適用する。 VLM誘導型SFDAを標本単位の信頼性割当問題として定式化する。本稿では,専門家から専門家への指導を協調適応に置き換えるために,COSMO(Consensus-Driven Shift Modulation)を提案する。
論文参考訳（メタデータ） (2026-08-05T09:10:30Z)
Structural Validation of LLM-Generated Microservice Decompositions Using Source-Code Dependencies [0.2435875827602373]
モノリシックシステムをプロンプトに分解することは、ソフトウェアモダナイゼーションにおける重要な活動である。本稿では,PetClinic および Bookstore システムにおいて OpenAI o3 が生成するマイクロサービス分解の構造的密着性を評価する。
論文参考訳（メタデータ） (2026-07-30T15:00:21Z)
HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。 HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
論文参考訳（メタデータ） (2026-07-27T23:50:46Z)
MultAttnAttrib: Training-Free Multimodal Attribution in Long Document Question Answering [73.47440561592556]
トレーニング不要な属性生成手法であるMultAttnAttribを紹介する。 MultAttnAttribは、様々な属性生成方法よりも一貫して優れていることを示す。提案手法は直接推論遅延の最大7分の1の属性を生成する。
論文参考訳（メタデータ） (2026-07-01T19:29:19Z)
Stateful Evidence-Driven Retrieval-Augmented Generation with Iterative Reasoning [7.701766930531068]
Stateful Evidence-Driven RAG with Iterative Reasoningは、質問応答をプログレッシブなエビデンス蓄積プロセスとしてモデル化するフレームワークである。このフレームワークは、ギャップと競合を特定するためにエビデンス駆動の欠陥分析を行い、クエリを反復的に洗練し、その後の検索をガイドする。複数の質問応答ベンチマークの実験では、標準的なRAGとマルチステップベースラインよりも一貫した改善が示されている。
論文参考訳（メタデータ） (2026-03-25T06:57:49Z)
Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
論文参考訳（メタデータ） (2026-03-05T18:42:51Z)
Diagnosing Structural Failures in LLM-Based Evidence Extraction for Meta-Analysis [0.8193467416247519]
レビューとメタ分析は、物語を構造化され、数値化された研究記録に変換することに頼っている。大規模言語モデル(LLM)の急速な進歩にもかかわらず、このプロセスの構造的要件を満たすことができるかどうかは不明だ。本稿では,LLMに基づくエビデンス抽出をスキーマ制約クエリの進行として評価する構造的診断フレームワークを提案する。
論文参考訳（メタデータ） (2026-02-11T14:09:43Z)
Hallucination Detection and Mitigation in Large Language Models [0.0]
LLM(Large Language Models)とLRM(Large Reasoning Models)は、金融や法律のような高額な領域に変革をもたらす。幻覚を起こそうとする傾向は、事実的に不正確な、または、サポートされていないコンテンツを発生させ、重大な信頼性のリスクを生じさせる。本稿では,根本原因認識による継続的改善サイクル上に構築された幻覚管理のための包括的枠組みを紹介する。
論文参考訳（メタデータ） (2026-01-14T23:19:37Z)
CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
論文参考訳（メタデータ） (2025-08-05T17:55:24Z)
Graph-based RAG Enhancement via Global Query Disambiguation and Dependency-Aware Reranking [9.280502741892676]
PankRAGはグローバルに認識され、階層的なクエリ解決戦略である。解決されたサブクエリ間の依存関係構造を利用するために、依存性対応のリランカを適用する。 PankRAGは、複数のベンチマークで最先端のアプローチを一貫して上回っている。
論文参考訳（メタデータ） (2025-06-07T07:17:14Z)
Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
論文参考訳（メタデータ） (2025-04-21T04:56:47Z)

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。