論文の概要: ABSOL: Aggregated Bayesian Subsampling Orchestrated with LLMs

• arxiv url: http://arxiv.org/abs/2609.15007v1
• Date: Mon, 14 Sep 2026 04:15:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.06745
• Title: ABSOL: Aggregated Bayesian Subsampling Orchestrated with LLMs
• Title（参考訳）: ABSOL:LLMによるアグリゲートベイズサブサンプリング
• Abstract要約: 大規模言語モデルは、構造化データに対する自然言語インタフェースとしてますます使われている。 本稿では,LLMを境界セマンティックガイドとして使用するハイブリッドベイズネットワーク構造学習フレームワークであるABSOLを紹介する。 言語由来のセマンティック知識は、スケーラブルな確率的構造学習を大幅に改善できることを示す。
• 参考スコア（独自算出の注目度）: 9.475016959358637
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large language models are increasingly used as natural-language interfaces to structured data, yet they remain unreliable when answers require consistent evidence conditioning, dependency-aware reasoning, and uncertainty estimation. Bayesian networks provide an explicit probabilistic reasoning layer, but learning useful structures from data remains costly and fragile at scale. We introduce ABSOL, a hybrid LLM-guided Bayesian network structure-learning framework that uses LLMs as bounded semantic guides. Across five discrete BN benchmarks spanning 27 to 1041 nodes, ABSOL is the only evaluated method to produce a viable graph on every benchmark, and achieves the highest Edge F_1 on every benchmark larger than 27 nodes with GPT-5.4. The four LLM augmentations, which contribute complementary semantic evidence to the statistical backbone, improve Edge F_1 over the non-LLM aggregation backbone by +0.23 on average. Complementary post-hoc refinement experiments suggest that these gains depend in part on limiting the LLM's authority over the final structure. Together, these results show that language-derived semantic knowledge can substantially improve scalable probabilistic structure learning when used as bounded guidance within a statistically grounded reasoning pipeline. The code for ABSOL is available at github.com/megagonlabs/absol-bn.
• Abstract（参考訳）: 大規模言語モデルは、構造化されたデータに対する自然言語インタフェースとしてますます使われているが、答えが一貫した証拠条件付け、依存認識推論、不確実性推定を必要とする場合、信頼できないままである。 ベイズネットワークは明確な確率論的推論層を提供するが、データから有用な構造を学ぶことはコストがかかり、大規模に脆弱である。 本稿では,LLMを有界セマンティックガイドとして利用するハイブリッドなベイズ型ネットワーク構造学習フレームワークであるABSOLを紹介する。 27から1041のノードにまたがる5つのBNベンチマークの中で、ABSOLは全てのベンチマークで実行可能なグラフを生成する唯一の評価方法であり、GPT-5.4を持つ27ノードより大きいベンチマークで最も高いエッジF_1を達成する。 統計的バックボーンに相補的な意味的証拠をもたらす4つのLCM増強は、非LLMアグリゲーションバックボーンのエッジF_1を平均+0.23倍改善する。 補足的なポストホック改良実験は、これらの利得が最終構造に対するLLMの権限を制限することに部分的に依存していることを示唆している。 これらの結果から,言語由来のセマンティック知識は,統計的に基礎付けられた推論パイプライン内の有界ガイダンスとして使用すれば,スケーラブルな確率的構造学習を大幅に改善できることが示された。 ABSOLのコードはgithub.com/megagonlabs/absol-bnで入手できる。

関連論文リスト

• FORESTLLM: Large Language Models Make Random Forest Great on Few-shot Tabular Learning [20.27406245916013]
  本稿では,大規模言語モデル(LLM)の意味的推論能力を用いて,決定林の構造的帰納バイアスを統一する枠組みを提案する。 まずLLMがラベル付きデータとラベルなしデータの両方の一貫性に基づいて候補分割を評価するセマンティックスプリッティング基準を導入し、より堅牢で一般化可能な木構造を数発の監視下で実現する。 第2に,LLMが決定経路とその支持例を簡潔で決定論的な予測に蒸留し,雑音の多い経験的推定を意味的インフォームドアウトプットに置き換える,葉ノード安定化のためのワンタイムインコンテキスト推論機構を提案する。
  論文  参考訳（メタデータ） (2026-01-16T14:08:51Z)
• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• Bayesian Network Structure Discovery Using Large Language Models [27.478536621589345]
  ベイジアンネットワーク構造発見のための統一的なフレームワークを提案する。 当社のフレームワークでは,データフリーとデータアウェア設定の両方をサポートする大規模言語モデル(LLM)を中心に置いています。 実験により,本手法は従来のLCM手法と従来のデータ駆動アルゴリズムの両方に優れていた。
  論文  参考訳（メタデータ） (2025-11-01T14:32:52Z)
• LLM-guided Hierarchical Retrieval [54.73080745446999]
  LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。 LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。 我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2025-10-15T07:05:17Z)
• Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
  Instruct-LFはゴール指向の潜在因子発見システムである。 命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
  論文  参考訳（メタデータ） (2025-02-21T02:03:08Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• CSS: Contrastive Semantic Similarity for Uncertainty Quantification of LLMs [1.515687944002438]
  テキストペアの不確実性を測定するための類似性特徴を求めるモジュールであるContrastive Semantic similarityを提案する。 我々は,3つの大規模言語モデル (LLM) を用いて,複数のベンチマーク質問応答データセットについて広範な実験を行った。 提案手法は,LLMの信頼性の高い応答を,同等のベースラインよりも高い精度で推定できることを示す。
  論文  参考訳（メタデータ） (2024-06-05T11:35:44Z)
• Leveraging Large Language Models for Structure Learning in Prompted Weak Supervision [24.866270447991752]
  私たちのStructure Refining Moduleは、ベンチマークタスクで最大12.7ポイント、PromptedWSパイプラインを改善しています。 また、包括的アブレーション実験と分析により、効率と性能のトレードオフについても検討する。
  論文  参考訳（メタデータ） (2024-02-02T19:45:39Z)
• FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large Language Models in Federated Learning [70.38817963253034]
  本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。 我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。 本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
  論文  参考訳（メタデータ） (2023-09-01T09:40:36Z)
• Revisiting Out-of-distribution Robustness in NLP: Benchmark, Analysis, and LLMs Evaluations [111.88727295707454]
  本稿では,NLP分野におけるアウト・オブ・ディストリビューション(OOD)のロバスト性に関する研究を再検討する。 本稿では, 明確な分化と分散の困難さを保証するための, ベンチマーク構築プロトコルを提案する。 我々は,OODロバスト性の分析と評価のための事前学習言語モデルの実験を行った。
  論文  参考訳（メタデータ） (2023-06-07T17:47:03Z)

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。