論文の概要: ARGUS: Role-Aware Event Knowledge Graphs for U.S. Employment-Discrimination Complaints

• arxiv url: http://arxiv.org/abs/2609.30184v1
• Date: Thu, 24 Sep 2026 17:29:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.167476
• Title: ARGUS: Role-Aware Event Knowledge Graphs for U.S. Employment-Discrimination Complaints
• Title（参考訳）: ARGUS: 米国の雇用差別問題に対する役割認識イベント知識グラフ
• Abstract要約: 我々は、CourtListenerの苦情から文書レベルのイベント知識グラフを構築するための、ソースグラウンドのパイプラインであるARGUSを紹介する。 ARGUSは事実を含むステートメントを抽出し、参加者、時間的、因果構造を備えたチャンクレベルのイベントグラフを構築し、それらをドキュメントレベルの表現にマージする。
• 参考スコア（独自算出の注目度）: 0.340677218377379
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: U.S. employment-discrimination complaints describe complex event sequences that are not explicitly captured by lexical or embedding-based representations alone. We present ARGUS, a source-grounded pipeline that combines a 5W1H-inspired schema, legal-domain models, and LLM-based structured generation to construct document-level Event Knowledge Graphs (EKGs) from CourtListener complaints. ARGUS extracts fact-bearing statements, builds chunk-level event graphs with participant, temporal, and causal structure, and merges them into document-level representations. We evaluate graph quality through human and multi-model assessment and test downstream utility on claim classification and legal QA. The graph-structured classifier outperforms raw and linearized baselines on the held-out set, and EKG-only retrieval improves document-scoped QA, while open-retrieval gains remain limited by low first-stage candidate recall. These results suggest that EKGs are most useful for organizing and reasoning over evidence once relevant material has been retrieved.
• Abstract（参考訳）: 米国の雇用差別の苦情は、語彙や埋め込みに基づく表現だけでは明示的に捉えられない複雑なイベントシーケンスを記述している。 提案するARGUSは,5W1Hにインスパイアされたスキーマ,法律ドメインモデル,LLMに基づく構造化生成を組み合わせ,CourtListenerの苦情から文書レベルのイベント知識グラフ(EKG)を構築する。 ARGUSは事実を含むステートメントを抽出し、参加者、時間的、因果構造を備えたチャンクレベルのイベントグラフを構築し、それらをドキュメントレベルの表現にマージする。 クレーム分類と法定QAに基づいて,人・多モデル評価と下流ユーティリティによるグラフ品質の評価を行った。 グラフ構造化分類器は、ホールトアウトセットにおける生およびリニア化ベースラインよりも優れ、EKGのみの検索は文書スコープQAを改善し、一方、オープン検索ゲインは、低い第一段階の候補リコールによって制限される。 これらの結果から,EKGは関連物質が回収されると,証拠の整理と推論に最も有用であることが示唆された。

関連論文リスト

• KGCQual: An Interpretable Framework for Evaluating the Knowledge Graph Construction Quality from Text [6.373904244962351]
  本稿では,本質的な知識グラフ品質評価のための新しい解釈可能な指標を提案する。 自動的に抽出されたグラフがいかに「理想」グラフに近似するかを測定する。 複数の最先端の3重抽出システムとデータセットで測定値を評価する。
  論文  参考訳（メタデータ） (2026-07-11T08:45:15Z)
• VeriGraph: Towards Verifiable Data-Analytic Agents [71.17693022916896]
  LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、その出力は滅多に検証されていない。 We propose VeriGraph, a traceable neuro-symbolic reasoning framework that agent can construct an explicit heterogeneous evidence directed acyclic graph。 以上の結果から,明示的なエビデンスグラフ構築がデータ分析エージェントの検証に期待できる道のりであることが示唆された。
  論文  参考訳（メタデータ） (2026-06-15T11:50:56Z)
• Structure Over Scale: Schema-Constrained Causal Graphs for RAG [0.0]
  HCG-RAG (Hierarchical Causal Graph RAG) は、オープンエンドの抽出をスキーマ制約付き因果グラフに置き換える。 自動パイプラインは、コーパスを因果変数の固定された型付き語彙に蒸留し、その上にコンパクトな2層グラフを具体化する。 医学および臨床のベンチマークでは、HCG-RAGは最高のエンティティ・リレーション・システムと一致するか、超えている。
  論文  参考訳（メタデータ） (2026-06-10T16:09:33Z)
• Better Later Than Sooner: Neuro-Symbolic Knowledge Graph Construction via Ontology-grounded Post-extraction Correction [6.031254272577503]
  質問応答(QA)はAIの中核的な課題であり、特にマルチホップ推論を必要とする複雑なクエリに対してである。 オープンドメイン抽出と組込み型正規化を併用したオントロジー的KG構築のためのニューロシンボリックフレームワークを提案する。 抽出したKGは,SPARQLグラフパターンの発生を計測することにより,シンボリッククエリに適していることを示す。
  論文  参考訳（メタデータ） (2026-05-27T23:09:10Z)
• Align Documents to Questions: Question-Oriented Document Rewriting for Retrieval-Augmented Generation [51.55755193937205]
  提案するQREAMは,検索した文書を事実を保存しながら質問指向のスタイルで整列するスタイル制御リライタである。 本フレームワークは,(1) 反復的書き換え探索にスタイリスティックシードを用いたQREAM-ICL,(2) ICL出力から抽出した軽量学生モデルQREAM-FTの2段階からなる。
  論文  参考訳（メタデータ） (2026-04-19T08:39:21Z)
• A Benchmark for Gap and Overlap Analysis as a Test of KG Task Readiness [1.029029220360574]
  本稿では,ポリシーライクな文書のギャップと重複分析に焦点をあてる。 結果として得られるギャップ/オーバーラップの決定は、データ欠落ではなく、カバレッジと制限の真の違いによって引き起こされる。 本稿では,自然言語の契約文と公式なオントロジーとエビデンスにリンクされた真実を一致させる,実行可能で監査可能なベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-04-12T23:18:47Z)
• Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
  グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-23T05:41:05Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• You Don't Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures [16.867592142212203]
  大型言語モデル(LLM)はしばしば幻覚に悩まされ、知識を超えた質問を処理する際に、事実的に誤った文を生成する。 Retrieval-augmented Generation (RAG)は、LLM推論をサポートするために、知識ベースからクエリ関連コンテキストを取得することで、この問題に対処する。 既存のGraphベースのRAGメソッドは、コーパスをグラフに変換するためのコストの高いプロセスに依存しており、圧倒的なトークンコストとアップデートのレイテンシを導入している。 本稿では,推論時に推論構造を動的に抽出し,事前に構築したグラフを使わずに適応検索を誘導するLogicRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-08T08:07:40Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)

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。