論文の概要: Surprising Effectiveness of Self-Demonstrations in Enhancing Schema-Ontology Mapping with LLMs

• arxiv url: http://arxiv.org/abs/2609.13776v1
• Date: Sat, 12 Sep 2026 07:42:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.547874
• Title: Surprising Effectiveness of Self-Demonstrations in Enhancing Schema-Ontology Mapping with LLMs
• Title（参考訳）: LLMを用いたスキーマオントロジーマッピングの高速化における自己演示のサプライズ効果
• Abstract要約: 本稿では,ニューロシンボリックなタスク分解と,パターン誘導型デモの自動生成機構を組み合わせた自己演示駆動型アプローチを提案する。 RODIベンチマークから得られた最も難しい3つのシナリオの実験から、我々の手法が最先端のパフォーマンスを達成することを示す。
• 参考スコア（独自算出の注目度）: 23.62124559072917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integrating heterogeneous relational databases into a centralized ontology remains a persistent challenge in enterprise knowledge representation, primarily due to semantic heterogeneity, cryptic schema naming, missing metadata, and the abstraction gap between relational schemas and ontological models. Although large language models (LLMs) offer strong semantic reasoning capabilities, we show that directly applying them through one-shot prompting or naive multi-stage pipelines leads to poor performance for schema-ontology mapping. This paper presents a self-demonstration-driven approach that combines a neuro-symbolic task decomposition with a novel mechanism for automatically generating pattern-guided, dependency-aware demonstrations to address this integration challenge. Our approach incorporates two key strategies to achieve substantial accuracy gains over existing LLM-based schema integration methods: (i) a neuro-symbolic decomposition of the task into cascaded sub-tasks, where symbolic constraints structure the search space and LLMs perform semantic reasoning within each focused sub-task, and (ii) self-generated demonstrations guided by domain-agnostic patterns to supervise each sub-task. Experiments on three of the most challenging scenarios from the RODI benchmark show that our approach achieves state-of-the-art performance, substantially outperforming (25 percentage points F1 improvements) both traditional schema-to-ontology mapping techniques and recent LLM-based schema-to-ontology and schema matching approaches. Ablation studies further reveal the significant benefits of pattern-guided self-demonstrations and the complementary benefits of neuro-symbolic task decomposition.
• Abstract（参考訳）: 不均一なリレーショナルデータベースを集中的なオントロジーに統合することは、主にセマンティックなヘテロジニティ、暗号スキーマの命名、メタデータの欠如、リレーショナルスキーマとオントロジーモデルの間の抽象的ギャップなど、企業知識表現において永続的な課題である。 大規模言語モデル (LLM) は強力なセマンティック推論機能を提供するが, ワンショットプロンプトやナイーブなマルチステージパイプラインを通じて直接適用することで, スキーマオントロジーマッピングの性能が低下することを示す。 本稿では,ニューロシンボリック・タスクの分解と,この統合課題に対処するパターン誘導型依存性認識型デモの自動生成機構を組み合わせた自己演示駆動型アプローチを提案する。 提案手法は,既存のLCMベースのスキーマ統合手法よりも精度の高い精度向上を実現するための2つの重要な戦略を取り入れている。 i) タスクをカスケードされたサブタスクに分解し、探索空間を象徴的制約で構造化し、LLMが各サブタスクに焦点を絞った意味的推論を行う。 (II)各サブタスクを監督するためにドメインに依存しないパターンでガイドされた自己生成デモ。 RODIベンチマークから得られた最も困難な3つのシナリオの実験から、我々の手法は最先端のパフォーマンスを実現し、従来のスキーマ・オントロジーマッピング技術と最近のLCMベースのスキーマ・ツー・オントロジーとスキーママッチングアプローチの両方において、実質的なパフォーマンス(25ポイントF1の改善)を実現している。 アブレーション研究は、パターン誘導による自己宣言の顕著な利点と、ニューロシンボリックなタスク分解の相補的な利点をさらに明らかにしている。

関連論文リスト

• Schema-Agnostic Knowledge Graph Construction via Hybrid Ontology Discovery for Cyber Threat Intelligence [9.572153940128073]
  サイバー脅威インテリジェンス(CTI)の報告は、現代の攻撃作戦で観察された技術や手順を捉えるための重要な資源となっている。 従来のCTIプラットフォームは、STIXのような固定スキーマを通じて、このインテリジェンスを独立したインジケータに還元する。 オントロジーに基づく表現は、構造化脅威分析に必要な関係を保存する。 オントロジーに整合したCTI抽出のための既存のアプローチは3つの課題に直面している。
  論文  参考訳（メタデータ） (2026-05-31T12:56:37Z)
• Differentiable Learning of Lifted Action Schemas for Classical Planning [6.30853901017231]
  我々は、状態が完全に観察されているが、アクション引数が観察されていないトレースからアクションスキーマを学ぶための、新しいニューラルネットワークアーキテクチャを開発した。 我々は、学習したリフトアクションスキーマが地上構造を回復しなければならない様々な計画領域のアーキテクチャを評価する。
  論文  参考訳（メタデータ） (2026-05-13T09:59:49Z)
• Bidirectional Learning of Facial Action Units and Expressions via Structured Semantic Mapping across Heterogeneous Datasets [85.74213192818668]
  本研究では,異なるデータ領域下での双方向AU-FE学習のための構造化セマンティックマッピング(SSM)フレームワークを提案する。 SSMは、(1)動的AUとFEビデオから統一された顔表現を学習する共有視覚バックボーン、(2)テキストセマンティックプロトタイプ(TSP)モジュールによるセマンティックメディエーション、(3)顔行動符号化システムから派生した事前知識を組み込んだ動的優先マッピング(DPM)モジュールの3つの主要な構成要素から構成される。
  論文  参考訳（メタデータ） (2026-04-12T09:08:32Z)
• Reasoning-Driven Multimodal LLM for Domain Generalization [72.00754603114187]
  DomainBed-Reasoning データセットを用いた領域一般化における推論の役割について検討する。 MTCT(Multi-Task Cross-Training)とSARR(Self-Aligned Reasoning Regularization)の2つのコンポーネントからなるフレームワークであるRD-MLDGを提案する。 標準のDomainBedデータセットの実験は、RD-MLDGが補完的な最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-02-27T08:10:06Z)
• A Theoretical Analysis of Mamba's Training Dynamics: Filtering Relevant Features for Generalization in State Space Models [36.99162631444728]
  単純だが代表的なマンバブロックに対する一般化と学習ダイナミクスの第一段階解析について述べる。 本研究は,トークンレベルのノイズの下で,クラス関連パターンとクラス関連パターンの両方を含むトークンを持つ構造化データモデルを採用する。 非漸近的なサンプル複雑性と収束率境界を確立することにより、モデルが保証された一般化を実現することを証明した。
  論文  参考訳（メタデータ） (2026-02-13T00:44:26Z)
• Toward Formalizing LLM-Based Agent Designs through Structural Context Modeling and Semantic Dynamics Analysis [13.919694566467053]
  この断片化は、LLMエージェントの特性と比較を可能にする分析可能な自己整合形式モデルが存在しないことに起因すると我々は主張する。 このギャップに対処するために、文脈構造の観点からLLMエージェントを解析・比較するための形式モデルであるtexttt Structure Context Model を提案する。 モンキー・バナナ問題の動的変種に対する完全な枠組みの有効性を実証し,本手法を用いて開発したエージェントが成功率を最大32ポイント向上することを示した。
  論文  参考訳（メタデータ） (2026-02-09T05:15:11Z)
• Beyond Unimodal Shortcuts: MLLMs as Cross-Modal Reasoners for Grounded Named Entity Recognition [51.68340973140949]
  GMNER(Multimodal Named Entity Recognition)は、テキストベースのエンティティを抽出し、セマンティックカテゴリを割り当て、それらを対応する視覚領域に接地することを目的としている。 MLLMは、視覚バイアスやテキストバイアスを含む$textbfmodality bias$を示す。 本稿では,モダリティを考慮した一貫性推論(bfMCR$)を提案する。
  論文  参考訳（メタデータ） (2026-02-04T12:12:49Z)
• LTD-Bench: Evaluating Large Language Models by Letting Them Draw [57.237152905238084]
  LTD-Benchは、大規模言語モデル(LLM)のブレークスルーベンチマークである。 LLMの評価を抽象的なスコアから直接観察可能な視覚出力に変換する。 LTD-Benchの視覚出力は強力な診断分析を可能にし、モデル類似性を調べるための潜在的アプローチを提供する。
  論文  参考訳（メタデータ） (2025-11-04T08:11:23Z)
• CTRLS: Chain-of-Thought Reasoning via Latent State-Transition [57.51370433303236]
  チェーン・オブ・シント(CoT)推論は、大規模な言語モデルで複雑な問題を解釈可能な中間ステップに分解することを可能にする。 我々は,遅延状態遷移を伴うマルコフ決定プロセス(MDP)としてCoT推論を定式化するフレームワークであるgroundingSを紹介する。 我々は、ベンチマーク推論タスクにおける推論精度、多様性、探索効率の改善を示す。
  論文  参考訳（メタデータ） (2025-07-10T21:32:18Z)
• Perturbation Ontology based Graph Attention Networks [26.95077612390953]
  Ontology-based Graph Attention Networks (POGAT) は、オントロジーのサブグラフと高度な自己教師付き学習パラダイムを組み合わせて、深い文脈理解を実現する新しい方法論である。 POGATは最先端のベースラインを大幅に上回り、リンク予測のクリティカルタスクはF1スコアで10.78%、ノード分類のクリティカルタスクはMicro-F1で12.01%という画期的な改善を実現している。
  論文  参考訳（メタデータ） (2024-11-27T17:12:14Z)
• Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
  マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。 本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。 両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
  論文  参考訳（メタデータ） (2024-06-12T08:30:16Z)

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。