論文の概要: Ontology Refinement with Embeddings and LLMs: A Case Study on CASTON

• arxiv url: http://arxiv.org/abs/2610.21466v1
• Date: Thu, 15 Oct 2026 08:10:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.27538
• Title: Ontology Refinement with Embeddings and LLMs: A Case Study on CASTON
• Title（参考訳）: エンベディングとLDMを用いたオントロジーリファインメント : カストンを事例として
• Abstract要約: オントロジーは、生物医学や医療といった領域における複雑な知識を表現し、組織化するために広く用いられている。 キャスティングドメインの改良であるCASTONでこの問題について検討し、微調整のOnT埋め込みモデルとLarge Language Models(LLMs)を組み合わせた軽量でスケーラブルなワークフローを提案する。 少数の専門家による評価では, CASTON-fine-tuned OnT 埋め込みモデルと Q3-8B を用いたデフォルト構成により信頼性の高い高信頼修復が可能であった。
• 参考スコア（独自算出の注目度）: 14.826542783523836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ontologies are widely used to represent and organize complex knowledge in domains such as biomedicine and healthcare. However, constructing reliable ontologies remains challenging, as class hierarchies, whether manually or automatically constructed, may contain subtle subsumption errors that require careful refinement. We study this problem in CASTON, a casting-domain ontology, and present a lightweight but scalable refinement workflow that combines a fine-tuned ontology embedding model with Large Language Models (LLMs). The embedding model is used to extract a limited number of candidate axioms for refinement together with possible replacement candidates, and an LLM then returns repair suggestions. In a small expert evaluation, the default configuration using a CASTON-fine-tuned OnT embedding model and Qwen3-8B produced reliable high-confidence repairs: all six high-confidence replacements were accepted by both domain experts. The implementation is available at https://github.com/HuiYang1997/OntRefine.
• Abstract（参考訳）: オントロジーは、生物医学や医療といった領域における複雑な知識を表現し、組織化するために広く用いられている。 しかし、クラス階層は手動でも自動でも、注意深い洗練を必要とする微妙な仮定エラーを含む可能性があるため、信頼できるオントロジーの構築は依然として困難である。 キャスティングドメインのオントロジーであるCASTONでこの問題を研究し、微調整オントロジー埋め込みモデルとLarge Language Models(LLMs)を組み合わせた軽量でスケーラブルな洗練ワークフローを提案する。 埋め込みモデルは、補充候補と共に改良のための限られた数の候補公理を抽出するために使用され、LLMは修理提案を返却する。 少数の専門家による評価では、CASTON-fine-tuned OnT 埋め込みモデルと Qwen3-8B を用いたデフォルト設定は信頼性の高い高信頼の修復を可能にした。 実装はhttps://github.com/HuiYang1997/OntRefineで公開されている。

関連論文リスト

• How LLMs Fail and Generalize in RTL Coding for Hardware Design? [56.361436215029045]
  我々は,認知理論に触発された問題解決性に基づく新しい誤り分類法を導入する。 我々の分類学は、障害を構文、意味、解決可能な機能、解決不可能な機能タイプに分類する。
  論文  参考訳（メタデータ） (2026-04-26T14:34:49Z)
• Agentic Adversarial QA for Improving Domain-Specific LLMs [53.00642389531106]
  大規模言語モデル(LLM)は、しばしば専門分野に効果的に対応するのに苦労する。 本稿では,意味論的課題の集合をコンパクトに生成する逆問題生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-20T10:53:09Z)
• Large Language Models as Oracles for Ontology Alignment [0.9786690381850356]
  オントロジーアライメントは、ドメイン間で多様なデータソースを統合する上で重要な役割を果たす。 ループ内アライメントは、非常に正確なマッピングを必要とするアプリケーションに不可欠である。 ドメインエキスパートの代替手段としての大規模言語モデル(MLL)。
  論文  参考訳（メタデータ） (2025-08-11T22:16:20Z)
• Sparse Autoencoders, Again? [15.48801130346124]
  我々は、正準SAEと変分オートエンコーダの両方を用いて、未承認の弱点を定式化する。 提案したモデルの大域的ミニマは、多様体の和合にまたがるある種の構造化されたデータを復元する。 一般に、等価容量SAEとVAEの性能を超えることができる。
  論文  参考訳（メタデータ） (2025-06-05T10:26:06Z)
• End-to-End Ontology Learning with Large Language Models [11.755755139228219]
  大規模言語モデル(LLM)は、オントロジー学習の様々なサブタスクを解決するために応用されている。 我々は、オントロジーの分類学的バックボーンをスクラッチから構築する汎用的でスケーラブルな方法であるOLLMによって、このギャップに対処する。 標準的なメトリクスとは対照的に、私たちのメトリクスは、グラフ間のより堅牢な構造的距離測定を定義するためにディープラーニング技術を使用します。 私たちのモデルは、arXivのような新しいドメインに効果的に適用できます。
  論文  参考訳（メタデータ） (2024-10-31T02:52:39Z)
• Revisiting SMoE Language Models by Evaluating Inefficiencies with Task Specific Expert Pruning [78.72226641279863]
  SMOE(Sparse Mixture of Expert)モデルは、言語モデリングにおける高密度モデルに代わるスケーラブルな代替品として登場した。 本研究は,SMoEアーキテクチャの設計に関する意思決定を行うために,タスク固有のモデルプルーニングについて検討する。 適応型タスク対応プルーニング手法 UNCURL を導入し,MoE 層当たりの専門家数をオフラインで学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T22:35:03Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• On the Use of Large Language Models to Generate Capability Ontologies [43.06143768014157]
  大規模言語モデル(LLM)は、自然言語テキスト入力から機械解釈可能なモデルを生成することができることを示した。 本稿では,LLMを用いて機能を実現する方法について検討する。
  論文  参考訳（メタデータ） (2024-04-26T16:41:00Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。