論文の概要: Enterprise Representation Simplification (ERS): Reducing Representational Complexity for Enterprise AI

• arxiv url: http://arxiv.org/abs/2610.00791v1
• Date: Wed, 30 Sep 2026 22:31:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.796058
• Title: Enterprise Representation Simplification (ERS): Reducing Representational Complexity for Enterprise AI
• Title（参考訳）: エンタープライズ表現単純化(ERS):エンタープライズAIにおける表現複雑性の低減
• Abstract要約: 本稿では、不要な表現複雑性を減らすために、ERS(Enterprise Representation Simplification)を導入する。 ERSとERC(Enterprise Representation Complexity)は、表現状態間の複雑性を比較するための表現ニュートラルモデルである。 ERCは、表現とタスクレベルで定義され、アーキテクチャの単純化と検索の最適化の比較と区別を可能にする。
• 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 information is represented through artifacts shaped by applications, projects, technologies, organizational boundaries, and local requirements. These structures accumulate over time, creating representational complexity that must be maintained by the enterprise and interpreted by information consumers and AI systems. This paper introduces Enterprise Representation Simplification (ERS) as reducing unnecessary representational complexity while preserving required information within a defined scope, and Enterprise Representation Complexity (ERC), a representation-neutral model for comparing complexity across representation states. ERC characterizes representational extent through four dimensions: Representation Objects, Interactions, Behaviors, and Supporting Sources. Objects, Interactions, and Behaviors form dependent categories, while Supporting Sources characterize representation exposure. ERC is defined at representation and task levels, enabling comparison and distinguishing architectural simplification from retrieval optimization. The paper develops two consequences of ERS. First, representational structures create lifecycle obligations for maintenance, governance, dependencies, change, enhancement, and operation. An economic model distinguishes recurring global representation cost, recurring task-level cost, and one-time transformation cost, enabling evaluation over a defined time horizon. Second, reductions in task-level ERC reduce the representational extent an AI system must identify, relate, and interpret. Text-to-SQL research provides evidence that reduced schema and reasoning complexity can improve reasoning accuracy. ERC is not a universal complexity, performance, or cost metric. It provides measurable architectural variables for comparing representational alternatives, transformation effects, economic outcomes, and AI reasoning performance.
• Abstract（参考訳）: エンタープライズ情報は、アプリケーション、プロジェクト、技術、組織の境界、およびローカル要件によって形成されたアーティファクトによって表現される。 これらの構造は時間の経過とともに蓄積され、企業によって維持され、情報消費者やAIシステムによって解釈されなければならない表現上の複雑さを生み出します。 本稿では,ERS(Enterprise Representation Simplification)について,定義範囲内で必要な情報を保存しながら,不要な表現複雑性を低減し,表現状態間の複雑性を比較するための表現ニュートラルモデルであるEnterprise Representation Complexity(ERC)を紹介する。 ERCは表現対象(Representation Objects)、相互作用(Interactions)、振舞い( Behaviors)、サポート源( Supporting Sources)という4つの次元を通して表現範囲を特徴付ける。 オブジェクト、インタラクション、振舞いは依存カテゴリを形成し、サポートソースは表現の露出を特徴づけます。 ERCは、表現とタスクレベルで定義され、アーキテクチャの単純化と検索の最適化の比較と区別を可能にする。 本稿はERSの2つの結果について述べる。 まず、表象構造は、メンテナンス、ガバナンス、依存関係、変更、強化、運用のためのライフサイクル義務を作成します。 経済モデルでは、繰り返し発生するグローバル表現コスト、繰り返し発生するタスクレベルのコスト、ワンタイム変換コストを区別し、定義された時間的地平線上での評価を可能にする。 第2に、タスクレベルのERCの削減は、AIシステムが識別、関連付け、解釈しなければならない表現範囲を減少させる。 Text-to-SQLリサーチは、スキーマと推論の複雑さの削減が推論の精度を向上する証拠を提供する。 ERCは、普遍的な複雑さ、パフォーマンス、コストメトリクスではない。 表現代替案、変換効果、経済効果、AI推論のパフォーマンスを比較するための測定可能なアーキテクチャ変数を提供する。

関連論文リスト

• Improving the Understandability of Conceptual Models via Abstract Notation Engineering [1.513674779059522]
  低レベルで意味論的に透過的な構成を置き換える言語に依存しない手法として,抽象表記工学を提案する。 一般的なワークフローパターンが精巧な低レベル設定を必要とする場合、動的条件応答(DCR)グラフのためにインスタンス化します。 実証検証の結果,DeCleaRは標準的なDCRグラフよりも経験的品質,実用的品質,ユーザの嗜好を向上することがわかった。
  論文  参考訳（メタデータ） (2026-07-31T15:43:34Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• LeMoRe: Learn More Details for Lightweight Semantic Segmentation [48.81126061219231]
  計算効率と表現の忠実さのバランスをとるために、明示的および暗黙的なモデリングを相乗化することによって効率的なパラダイムを導入する。 提案手法は、明確にモデル化されたビューと暗黙的に推論された中間表現とをうまく組み合わせ、グローバルな依存関係を効率的に取得する。
  論文  参考訳（メタデータ） (2025-05-29T04:55:10Z)
• A representational framework for learning and encoding structurally enriched trajectories in complex agent environments [1.1470070927586018]
  人工知能エージェントが最適な決定を行い、それらを異なるドメインやタスクに一般化する能力は、複雑なシナリオで妥協される。 この問題に対処する方法の1つは、世界の効率的な表現を学習することと、エージェントのアクションが状態-行動遷移においてそれらにどのように影響するかに焦点を当てている。 本稿では,エージェントのオントロジーを強化し,従来のトラジェクトリ概念を拡張し,タスク実行のより微妙な視点を提供することを提案する。
  論文  参考訳（メタデータ） (2025-03-17T14:04:27Z)
• EnriCo: Enriched Representation and Globally Constrained Inference for Entity and Relation Extraction [3.579132482505273]
  結合実体と関係抽出は、特に知識グラフの構築において、様々な応用において重要な役割を担っている。 既存のアプローチはしばしば、表現の豊かさと出力構造におけるコヒーレンスという2つの重要な側面に欠ける。 本研究では,これらの欠点を緩和するEnriCoを紹介する。
  論文  参考訳（メタデータ） (2024-04-18T20:15:48Z)
• Structure-CLIP: Towards Scene Graph Knowledge to Enhance Multi-modal Structured Representations [70.41385310930846]
  マルチモーダルな構造表現を強化するためのエンドツーエンドフレームワークであるStructure-CLIPを提案する。 シーングラフを用いてセマンティックなネガティブな例の構築をガイドし、その結果、構造化された表現の学習に重点を置いている。 知識エンハンス(KEE)は、SGKを入力として活用し、構造化表現をさらに強化するために提案される。
  論文  参考訳（メタデータ） (2023-05-06T03:57:05Z)
• Neural Constraint Satisfaction: Hierarchical Abstraction for Combinatorial Generalization in Object Rearrangement [75.9289887536165]
  基礎となるエンティティを明らかにするための階層的抽象化手法を提案する。 本研究では,エージェントのモデルにおける実体の状態の介入と,環境中の物体に作用する状態の対応関係を学習する方法を示す。 この対応を利用して、オブジェクトの異なる数や構成に一般化する制御法を開発する。
  論文  参考訳（メタデータ） (2023-03-20T18:19:36Z)
• Action-Sufficient State Representation Learning for Control with Structural Constraints [21.47086290736692]
  本稿では,部分的に観測可能な環境に焦点をあて,意思決定に十分な情報を収集する,最小限の状態表現の集合を学習することを提案する。 システム内の変数間の構造的関係のための生成環境モデルを構築し、ASRを特徴付けるための原則的な方法を提案する。 CarRacing と VizDoom の実証実験の結果は,ASR を政策学習に活用する上で,明らかな優位性を示している。
  論文  参考訳（メタデータ） (2021-10-12T03:16:26Z)

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。