論文の概要: Faithful and Complete LLM-Assisted Automated Construction of Hierarchical Hardware Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2610.12762v1
• Date: Thu, 08 Oct 2026 22:12:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.297341
• Title: Faithful and Complete LLM-Assisted Automated Construction of Hierarchical Hardware Knowledge Graphs
• Title（参考訳）: 階層型ハードウェア知識グラフの忠実かつ完全なLCM支援構築
• Abstract要約: ハードウェア仕様を階層的なハードウェア知識グラフに変換する自動パイプラインを提案する。 このフレームワークは、情報抽出と意味推論にLLMを使用する。 多様なコンポーネントタイプと文書の長さにまたがる20のハードウェア上で,フレームワークの評価を行った。
• 参考スコア（独自算出の注目度）: 8.89632807938116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hardware datasheets contain engineering specifications essential for component selection, system integration, and hardware compatibility verification. However, manual inspection is tedious and error-prone because datasheets are lengthy and heterogeneous, with dense information fragmented across tables, figures, and text. Although large language models (LLMs) can automate this process, naïve one-shot processing omits relevant specifications even when the document fits within the model's context window. We present an automated LLM-driven pipeline that transforms hardware datasheets into general-purpose hierarchical hardware knowledge graphs through chunk-based property extraction, hierarchical routing, and iterative refinement. The framework uses LLMs for information extraction and semantic reasoning while preserving source provenance and applying graph updates through validated instructions and deterministic local execution. This staged design reduces per-query context and maintains traceable intermediate representations. The resulting knowledge graphs provide semantically organized, source-grounded hardware properties for downstream retrieval and reasoning. We evaluate the framework on 20 hardware datasheets spanning diverse component types and document lengths. We assess property faithfulness and introduce inter-graph completeness to measure relative semantic coverage without exhaustive ground truth. Our framework achieves 98.8% property faithfulness compared with 76.1% for the one-shot baseline, while fully covering 83.6% of faithful baseline properties; in the reverse direction, the baseline fully covers only 10.5% of ours. These improvements provide more reliable and comprehensive engineering information for downstream hardware design and verification, reducing the risk of overlooked constraints and incorrect decisions.
• Abstract（参考訳）: ハードウェアデータシートには、コンポーネントの選択、システム統合、ハードウェア互換性検証に不可欠な技術仕様が含まれている。 しかし、データシートは長く不均一であり、テーブル、図形、テキストにまたがる密集した情報が断片化されているため、手動による検査は退屈でエラーを起こしやすい。 大規模言語モデル(LLM)はこのプロセスを自動化できるが、文書がモデルのコンテキストウィンドウ内に収まる場合でも、ワンショット処理によって関連する仕様が省略される。 ハードウェアデータシートを,チャンクベースのプロパティ抽出,階層的ルーティング,反復的洗練を通じて,汎用的な階層的ハードウェア知識グラフに変換する,自動LLM駆動パイプラインを提案する。 このフレームワークは、情報抽出とセマンティック推論にLLMを使用し、ソースの出所を保存し、検証された命令や決定論的局所実行を通じてグラフ更新を適用する。 この段階的な設計は、クエリごとのコンテキストを減らし、トレース可能な中間表現を維持する。 結果として得られる知識グラフは、下流の検索と推論のために、セマンティックに整理された、ソース・グラウンドのハードウェア特性を提供する。 様々なコンポーネントタイプと文書の長さにまたがる20のハードウェアデータシート上で,フレームワークの評価を行った。 本研究は, 基本的真理を網羅せずに相対的な意味的カバレッジを測定するために, 特性の忠実さを評価し, グラフ間完全性を導入する。 本フレームワークは1ショットベースラインの76.1%に対して98.8%のプロパティ忠実度を実現し,83.6%の忠実なベースライン特性を完全にカバーしている。 これらの改善により、下流のハードウェア設計と検証のための信頼性が高く包括的なエンジニアリング情報が提供され、見過ごされた制約や誤った判断のリスクが軽減される。

関連論文リスト

• Evaluating Local Language Model Agents for Reproducible Data Engineering: An Empirical Software Engineering Study of Mobility Workflows [74.39138492851343]
  大規模言語モデル(LLM)エージェントは、ソフトウェアやデータエンジニアリングアシスタントとしてますます使われている。 ローカルオープンウェイトエージェントが正しい再現可能なデータエンジニアリングアーティファクトを作成できるかどうかを評価する。
  論文  参考訳（メタデータ） (2026-10-08T08:26:46Z)
• Smart Content Ingestion for Generative AI Workloads [0.0]
  生成AIは、モデルを任意の単一タスクから切り離す。 言語モデルは、このインターフェースで誤って表現された情報を確実に判断することはできない。 本稿では,生産可能なコンテンツ抽出システムを提案する。
  論文  参考訳（メタデータ） (2026-10-05T13:22:01Z)
• LLM-Driven, Datasheet-Aware Automated Hardware Compatibility Verification for Early-Stage, Pre-Schematic Embedded System Design [8.89632807938116]
  ハードウェアの早期互換性検証のためのLCM駆動型計算対応フレームワークを提案する。 詳細なスキーマシミュレーションや実装の前に必要はなく、使用することもできる。
  論文  参考訳（メタデータ） (2026-08-25T23:12:48Z)
• Reversa: A Reverse Documentation Engineering Framework for Converting Legacy Software into Operational Specifications for AI Agents [0.0]
  本稿では,レガシソフトウェアをAIエージェントのトレーサブルな運用仕様に変換するためのリバースドキュメンテーションエンジニアリングフレームワークであるReversaを紹介する。 特殊なエージェントは、プロジェクト表面をマッピングし、モジュールを分析し、暗黙のルールを抽出し、アーキテクチャを合成し、ユニットレベルの仕様を書き、生成されたクレームをレビューする。 提案では,コードと仕様間のトレーサビリティ,明確な信頼性マーキング,人間の検証のためのギャップの保存という,3つのメカニズムを強調している。
  論文  参考訳（メタデータ） (2026-05-18T17:23:13Z)
• SpecMap: Hierarchical LLM Agent for Datasheet-to-Code Traceability Link Recovery in Systems Engineering [8.235446273226277]
  組み込みシステムとそれに対応するコード実装の間のトレーサビリティは、システムエンジニアリングにおける根本的な課題である。 既存のトレーサビリティリンク回復アプローチは、語彙的類似性と情報検索技術に依存している。 本稿では,意味解析に大規模言語モデルを用いる階層型コードマッピング手法を提案する。
  論文  参考訳（メタデータ） (2026-01-16T11:50:18Z)
• MonkeyOCR v1.5 Technical Report: Unlocking Robust Document Parsing for Complex Patterns [80.05126590825121]
  MonkeyOCR v1.5は、レイアウト理解とコンテンツ認識の両方を強化する統合ビジョン言語フレームワークである。 複雑なテーブル構造に対処するために,視覚的整合性に基づく強化学習手法を提案する。 2つの特別なモジュール、Image-Decoupled Table ParsingとType-Guided Table Mergingを導入し、テーブルの信頼性の高いパースを可能にする。
  論文  参考訳（メタデータ） (2025-11-13T15:12:17Z)
• FABRIC: Framework for Agent-Based Realistic Intelligence Creation [3.940391073007047]
  大規模言語モデル(LLM)はエージェントとしてますます多くデプロイされ、目標を分解し、ツールを実行し、動的環境で結果を検証することが期待されている。 本稿では,LLMのみを用いたエージェントデータの統一化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-20T18:20:22Z)
• TART: An Open-Source Tool-Augmented Framework for Explainable Table-based Reasoning [61.14586098005874]
  現在のLarge Language Models (LLM) は、テーブル構造を理解し、正確な数値推論を適用する能力に制限がある。 LLMと特殊なツールを統合するTART(Tool-Augmented Reasoning framework for Tables)を紹介した。 TARTには、正確なデータ表現を保証するテーブルフォーマッター、特定の計算ツールを開発するツールメーカー、説明可能性を維持するための説明ジェネレータの3つの重要なコンポーネントが含まれている。
  論文  参考訳（メタデータ） (2024-09-18T06:19:59Z)
• KILT: a Benchmark for Knowledge Intensive Language Tasks [102.33046195554886]
  知識集約型言語タスク(KILT)のベンチマークを示す。 KILTのすべてのタスクはウィキペディアのスナップショットと同じだ。 共有密度ベクトル指数とSeq2seqモデルとの結合が強いベースラインであることが分かる。
  論文  参考訳（メタデータ） (2020-09-04T15:32:19Z)

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。