論文の概要: SAGE: Governed Artifact Generation from Enterprise Guidelines
- arxiv url: http://arxiv.org/abs/2609.17775v1
- Date: Tue, 15 Sep 2026 19:37:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.51538
- Title: SAGE: Governed Artifact Generation from Enterprise Guidelines
- Title（参考訳）: SAGE: 企業ガイドラインによるアーティファクト生成
- Abstract要約: SAGEは、ガイドラインドキュメントからルールを抽出するための、管理された多段階パイプラインである。
120のドキュメントでは、SAGEは数日から20～100分に切り替わり、ドキュメントレベルの成功率は96%に達する。
ガバナンスがなければ幻覚は15.7%、ガバナンスがなければ幻覚は15.7%になる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Enterprise guideline documents mix narrative text, complex tables, and embedded images, and converting them into structured work artifacts still takes two to three days of manual effort each. Current language and vision-language models extract from such documents but offer no governed workflow beyond extraction: no validation, no consistency checking, no traceable artifact generation. We introduce SAGE, a governed multi-stage LLM pipeline organized around a shared versioned rule store with stable identifiers, schema-validated inter-stage contracts, and end-to-end provenance tracking. Extracted rules undergo deterministic structural validation and LLM-based semantic scoring, then a consistency module that removes duplicates, flags contradictions, and surfaces specification gaps; only uncertain or flagged items reach reviewers, while high-confidence outputs are auto-approved. On 120 documents, SAGE cuts turnaround from days to 20-100 minutes, achieving a 96% document-level success rate with 3.2% hallucination, extracting 3,896 rules and producing 812 artifacts ready for human review; without governance, hallucination rises to 15.7%.
- Abstract（参考訳）: エンタープライズガイドラインのドキュメントは、物語テキスト、複雑なテーブル、埋め込みイメージを混在させ、それらを構造化された作業成果物に変換するには、それぞれ2～3日を要する。
現行の言語とビジョン言語モデルはこのようなドキュメントから抽出されるが、検証なし、一貫性チェックなし、トレース可能なアーティファクト生成なしといった、抽出以外の管理されたワークフローは提供されない。
SAGEは、安定した識別子、スキーマ検証されたステージ間契約、エンドツーエンドのプロファイランストラッキングを備えた共有バージョン付きルールストアを中心に構成された、管理されたマルチステージLLMパイプラインである。
抽出されたルールは決定論的構造検証とLCMに基づくセマンティックスコアリングを行い、重複やフラグの矛盾、仕様のギャップを除去する一貫性モジュールを出力する。
120の文書では、SAGEは数日から20-100分に切り替わり、96%の文書レベルの成功率と3.2%の幻覚を達成し、3,896のルールを抽出し、812のアーティファクトを人間のレビュー用に作成する。
関連論文リスト
- From Transient Prompts to Persistent Control: Scientific Poster Generation via Recursive Semantic-Geometric Contracts [67.34566880931716]
PosterVisorは、ポスター生成を一時的なプロンプトから永続的なコントロールに移行するコントロールフレームワークである。
オーケストラは、紙と視覚資産にルーリックを置き、それらをセマンティック幾何学契約にコンパイルする。
Recursive Contract Enforcement (RCE) は証拠が現れると、ステージ全体のチェックを動的にトリガーする。
論文 参考訳（メタデータ） (2026-09-15T15:32:07Z) - Fidelity Is Not Enough: Dispatch-Level Instrumentation for Agentic Datasheet Extraction [6.419341495897254]
3つのコンポーネントに対して25のハンドキュレートされたクレームのエージェントベンチマークで、すべてのツールコールをログします。
ルールベースの障害帰属分類器と、2つのルールがどのツールが呼び出されたかのみをチェックするサイレント障害検出器の2つを構築しました。
論文 参考訳（メタデータ） (2026-08-28T15:25:12Z) - GUIDE: Governed Unified Intelligence for Document-to-Artifact Generation in Enterprise Settings [0.0]
GUIDEは、スキーマ検証されたエージェント間契約を備えた共有バージョン管理ルールストア上に構築された、管理されたマルチエージェントフレームワークである。
専門的な6つのエージェントは、解析、VLM駆動抽出、一貫性チェック、評価、Human-in-the-loop(HITL)エスカレーション、ペルソナ調整されたアーティファクト合成を扱う。
120の実世界のエンタープライズガイドラインドキュメントで評価され、GUIDEは96%のドキュメント成功、71.4%の自動承認による3,896のルールの抽出、812のデプロイメント対応アーティファクトの生成、ドキュメント毎の40～125分へのターンアラウンドの削減を実現している。
論文 参考訳（メタデータ） (2026-08-12T14:52:33Z) - Beyond Logprobs: A Multi-Signal Confidence Engine for LLM-Based Document Field Extraction [2.1997815944423516]
ExtractConfはクロスドメインでフィールドに依存しない信頼性エンジンである。
同じ文書の2つの構造的に異なる読影において、信頼度を推定する。
0.928ROC AUCを達成し、logprob-meanよりも選択的な予測リスクを70%削減する。
論文 参考訳（メタデータ） (2026-06-23T10:58:08Z) - Deterministic Integrity Gates for LLM-Assisted Clinical Manuscript Preparation: An Auditable Biomedical Informatics Architecture [0.3823356975862005]
検証を伴うアーキテクチャペア生成を3つの原則に基づいて記述する。
この決定論的な分割は、整合性のある分類として組織化され、中核的な貢献である。
MedSci Skillsは、43のスキルのオープンソースツールキットで、21の決定論的階層を持ち、3つのパブリックデータセットパイプラインで評価されている。
論文 参考訳（メタデータ） (2026-06-08T13:51:04Z) - How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。
HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
論文 参考訳（メタデータ） (2026-05-08T09:30:31Z) - Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。
AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。
結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
論文 参考訳（メタデータ） (2025-07-22T06:37:51Z) - Factcheck-Bench: Fine-Grained Evaluation Benchmark for Automatic Fact-checkers [121.53749383203792]
本稿では,大規模言語モデル (LLM) 生成応答の事実性に注釈を付けるための総合的なエンドツーエンドソリューションを提案する。
オープンドメインの文書レベルの事実性ベンチマークを,クレーム,文,文書の3段階の粒度で構築する。
予備実験によると、FacTool、FactScore、Perplexityは虚偽の主張を識別するのに苦労している。
論文 参考訳（メタデータ） (2023-11-15T14:41:57Z) - Language Models Enable Simple Systems for Generating Structured Views of Heterogeneous Data Lakes [54.13559879916708]
EVAPORATEは大規模言語モデル(LLM)を利用したプロトタイプシステムである。
コード合成は安価だが、各文書をLSMで直接処理するよりもはるかに正確ではない。
直接抽出よりも優れた品質を実現する拡張コード実装EVAPORATE-CODE+を提案する。
論文 参考訳（メタデータ） (2023-04-19T06:00:26Z)
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。