論文の概要: APOLO: Automatic Prompt Optimization for Ontology Learning

• arxiv url: http://arxiv.org/abs/2609.34540v1
• Date: Mon, 28 Sep 2026 08:05:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 12:36:25.779712
• Title: APOLO: Automatic Prompt Optimization for Ontology Learning
• Title（参考訳）: APOLO:オントロジー学習のための自動プロンプト最適化
• Abstract要約: 大規模モデル言語(LLM)の出現に伴い、テキストからのオントロジー学習(OL)が進歩した。 我々は、オントロジー学習のためのAP-Automatic Prompt Optimizationを通してこの問題に対処する。 我々は、欲求と自己回帰学習者を採用し、どちらもDSPy上に構築された欲求進化的アーキテクチャであるGEPAを用いて最適化する。
• 参考スコア（独自算出の注目度）: 8.010926087931255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ontology Learning (OL) from text has advanced with the emergence of Large Language Models (LLMs), but it remains challenging due to the limited availability of annotated training data and the difficulty of adapting LLMs to perform OL effectively. We address this via APOLO - Automatic Prompt Optimization for Ontology Learning, by casting OL as an explicit prompt optimization problem over LLM modules. To obtain training data, we employ a multi-agent system that generates text-ontology pairs from existing expert-curated ontologies. We then propose two ontology learner architectures: a greedy and an autoregressive learner, and optimize both using GEPA, a greedy evolutionary prompt optimizer built on DSPy. Experiments on two ontologies - a biomedical (DOID) and a plant ontology (PO) show consistent improvements after optimization across nearly all model and mode combinations, with autoregressive learners achieving the largest gains. Our results demonstrate that prompt optimization is a viable and lightweight alternative to fine-tuning for OL, and that the autoregressive formulation better captures ontological structure than the greedy approach.
• Abstract（参考訳）: テキストからのオントロジー学習(OL)は,Large Language Models(LLMs)の出現とともに進歩してきたが,注釈付きトレーニングデータの不足や,OLを効果的に実行するためにLLMを適用することの難しさから,依然として困難である。 APOLO-Automatic Prompt Optimization for Ontology Learningにより,OLをLLMモジュールに対する明示的な迅速な最適化問題としてキャストすることで,この問題に対処する。 トレーニングデータを得るために,既存の専門家によるオントロジーからテキストオントロジーペアを生成するマルチエージェントシステムを用いる。 そこで我々は,2つのオントロジー学習アーキテクチャを提案する:欲求と自己回帰学習であり,DSPy上に構築された欲求進化的プロンプトオプティマイザであるGEPAを用いて最適化する。 バイオメディカル(DOID)と植物オントロジー(PO)の2つのオントロジーの実験は、ほぼ全てのモデルとモードの組み合わせに対して最適化後の一貫した改善を示し、自己回帰学習者が最大の利益を達成する。 以上の結果から,迅速な最適化はOLの微調整に代わる実現可能かつ軽量な代替手段であり,自己回帰的定式化は強欲的アプローチよりもオントロジ的構造を捕えることが示唆された。

関連論文リスト

• A Systematic Survey on Large Language Models for Evolutionary Optimization: From Modeling to Solving [26.501685261132124]
  大規模言語モデル(LLM)は、最適化問題に対処するためにますます研究されている。 急速な進歩にもかかわらず、この分野は依然として統一的な合成と体系的な分類を欠いている。 この調査は、最近の開発を包括的にレビューし、構造化されたフレームワーク内でそれらを整理することで、このギャップに対処する。
  論文  参考訳（メタデータ） (2025-09-10T04:05:54Z)
• Make Optimization Once and for All with Fine-grained Guidance [78.14885351827232]
  Learning to Optimize (L2O)は、統合ニューラルネットワークによる最適化効率を向上させる。 L2Oパラダイムは、例えば、リフィット、目に見えない解決策を反復的または直接的に生成するなど、大きな成果を達成する。 そこで本研究では,Diff-L2Oと呼ばれる学習最適化のための一般的なフレームワークについて検討した。
  論文  参考訳（メタデータ） (2025-03-14T14:48:12Z)
• SOUL: Unlocking the Power of Second-Order Optimization for LLM Unlearning [30.25610464801255]
  大規模言語モデル(LLM)は、データ規則や倫理的AIプラクティスに従うための効果的な非学習メカニズムの必要性を強調している。 LLMアンラーニングの研究への関心は高まりつつあるが、LLMアンラーニングの選択の影響は未解明のままである。 我々はLLMアンラーニングにおける選択の重要性を初めて明らかにし、二階最適化と影響アンラーニングの明確な関連性を確立した。
  論文  参考訳（メタデータ） (2024-04-28T16:31:32Z)
• Unleashing the Potential of Large Language Models as Prompt Optimizers: Analogical Analysis with Gradient-based Model Optimizers [108.72225067368592]
  本稿では,大規模言語モデル(LLM)に基づくプロンプトの設計について検討する。 モデルパラメータ学習における2つの重要な要素を同定する。 グラディエントにインスパイアされた Prompt ベースの GPO を開発した。
  論文  参考訳（メタデータ） (2024-02-27T15:05:32Z)
• EvoPrompt: Connecting LLMs with Evolutionary Algorithms Yields Powerful Prompt Optimizers [67.64162164254809]
  EvoPromptは離散的なプロンプト最適化のためのフレームワークである。 進化的アルゴリズム(EA)の概念は、優れた性能と高速収束を示すものである。 人為的なプロンプトと既存の方法で自動プロンプト生成を著しく上回っている。
  論文  参考訳（メタデータ） (2023-09-15T16:50:09Z)

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。