論文の概要: Before Blaming the LLM, Diagnose the Workflow: A Role-Level Difficulty Profile for Translating Natural Language into Ontology-Grounded Statements
- arxiv url: http://arxiv.org/abs/2610.35267v1
- Date: Mon, 26 Oct 2026 11:44:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.846262
- Title: Before Blaming the LLM, Diagnose the Workflow: A Role-Level Difficulty Profile for Translating Natural Language into Ontology-Grounded Statements
- Title（参考訳）: LLMをブレイミングする前にワークフローを診断する: 自然言語をオントロジー中心のステートメントに変換するのに、役割レベルが難しいプロファイル
- Abstract要約: 本稿では,既存のオントロジー語彙に根ざしたアサーションレベルのDSL文の生成に焦点を当てる。
本稿では,ワークフローレベルでの意味解析の難しさを診断する上で,役割レベルの難易度プロファイルを提案する。
- 参考スコア（独自算出の注目度）: 3.3448907202559517
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Natural-language-to-domain-specific-language (NL-to-DSL) semantic parsing systems increasingly translate informal user descriptions into structured artifacts such as Structured Query Language (SQL) queries, Application Programming Interface (API) calls, workflows, formal specifications, and ontology-grounded domain-specific language (DSL) statements. This paper focuses on ontology-grounded Assertion Box (ABox) DSL generation: the translation of natural language domain descriptions into assertion-level DSL statements grounded in a pre-existing ontology vocabulary. In this setting, syntactic validity is often easier to achieve than semantic adequacy. Failures are frequently attributed to weak generator models, but recurring sources of difficulty are also structural: insufficient input, weak domain grounding, output template and vocabulary gaps, weak validation, and non-local repair. We propose a role-level difficulty profile for diagnosing difficulty in ontology-grounded NL-to-DSL semantic parsing at the workflow level. The profile organizes diagnostic variables across five recurring workflow roles: Input, Generator, Output, Validator, and Repairer. The seven variables are input sufficiency, context availability, grounding complexity, template fit, vocabulary coverage, validation strength, and error observability. Practitioners construct the difficulty profile through qualitative judgment over available evidence. This experience-informed, non-exhaustive difficulty profile is intended to support workflow diagnosis and guide redesign or human-in-the-loop intervention.
- Abstract（参考訳）: 自然言語からドメイン固有言語(NL-to-DSL)のセマンティックパーシングシステムは、非公式なユーザ記述を構造化クエリ言語(SQL)クエリ、アプリケーションプログラミングインタフェース(API)コール、ワークフロー、正式な仕様、オントロジーに基づくドメイン固有言語(DSL)ステートメントなど、構造化されたアーティファクトに変換する傾向にある。
本稿では,既存のオントロジー語彙に基づく自然言語ドメイン記述からアサーションレベルのDSLステートメントへの変換である,オントロジー基底化Assertion Box (ABox) DSL生成に焦点を当てる。
この設定では、意味的妥当性よりも構文的妥当性が容易に実現できる。
故障は、しばしば弱いジェネレータモデルに起因するが、繰り返し発生する困難の原因もまた構造的であり、入力不足、弱いドメイングラウンド、出力テンプレートと語彙ギャップ、弱い検証、非局所的な修復である。
オントロジーに基づくNL-to-DSLセマンティック解析における難易度をワークフローレベルで診断するための役割レベルの難易度プロファイルを提案する。
プロファイルは、インプット、ジェネレータ、アウトプット、バリデータ、リカバリの5つのワークフローロールにまたがる診断変数を整理する。
7つの変数は入力十分性、コンテキスト可用性、グラウンド化複雑性、テンプレート適合性、語彙カバレッジ、検証強度、エラー可観測性である。
実践者は、利用可能な証拠に関する質的な判断を通じて難易度プロファイルを構築する。
この経験的、非経験的難易度プロファイルは、ワークフロー診断とガイドの再設計、あるいはループ内介入をサポートすることを意図している。
関連論文リスト
- The Semantic Training Gap: Ontology-Grounded Tool Architectures for Industrial AI Agent Systems [0.0]
大規模言語モデル(LLM)ベースのAIエージェントは、分析、品質管理、意思決定支援のための製造環境にますます多くデプロイされている。
これらのエージェントは、ドメイン用語で統計的に流布するが、操作意味論の基盤的理解は欠如している。
本稿では、AIシステムが学習を通してドメイン語彙を取得する方法と、生産業務が存在論的関係を通じて意味を定義する方法とを、構造的に切り離すという意味訓練のギャップを特定し、形式化する。
論文 参考訳（メタデータ） (2026-05-11T20:48:18Z) - 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) - Job Skill Extraction via LLM-Centric Multi-Module Framework [51.37063712967151]
本稿では,意味検索,文脈内学習,教師付き微調整を組み合わせたLLM中心のフレームワークであるSRICLを提案する。
SRICLは、6つの公的なスパンラベル付きジョブアド文のコーパスにおいて、GPT-3.5よりも相当なSTRICT-F1の改善を達成し、ベースラインを加速し、無効なタグと幻覚したスパンを激減する。
論文 参考訳（メタデータ） (2026-04-23T10:46:07Z) - A System for Name and Address Parsing with Large Language Models [0.0]
本稿では,フリーテキストレコードを微調整なしで一貫した17フィールドスキーマに変換する,プロンプト駆動型検証中心フレームワークを提案する。
不均一な実世界のアドレスデータに対する評価は、高いフィールドレベルの精度、強いスキーマ順守、安定した信頼度キャリブレーションを示す。
論文 参考訳（メタデータ） (2026-01-25T22:19:47Z) - Enhancing LLM Character-Level Manipulation via Divide and Conquer [74.55804812450164]
大規模言語モデル(LLM)は、幅広い自然言語処理(NLP)タスクにまたがる強力な一般化機能を示している。
彼らは文字レベルの文字列操作において顕著な弱点を示し、文字削除、挿入、置換といった基本的な操作に苦労した。
本稿では,トークンレベルの処理と文字レベルの操作のギャップを埋める新しい手法であるDivide and Conquerによる文字レベル操作を提案する。
論文 参考訳（メタデータ） (2025-02-12T07:37:39Z) - Learning to Filter Context for Retrieval-Augmented Generation [75.18946584853316]
生成モデルは、部分的にまたは完全に無関係な経路が与えられた出力を生成するために要求される。
FILCOは、語彙と情報理論のアプローチに基づいて有用なコンテキストを特定する。
テスト時に検索したコンテキストをフィルタリングできるコンテキストフィルタリングモデルをトレーニングする。
論文 参考訳（メタデータ） (2023-11-14T18:41:54Z) - OntoType: Ontology-Guided and Pre-Trained Language Model Assisted Fine-Grained Entity Typing [25.516304052884397]
きめ細かいエンティティタイピング(FET)は、コンテキストに敏感できめ細かいセマンティックタイプでエンティティをテキストに割り当てる。
OntoTypeは、粗いものから細いものまで、型オントロジ構造に従い、複数のPLMをアンサンブルすることで、型候補のセットを生成する。
Ontonotes、FIGER、NYTデータセットに関する我々の実験は、我々の手法が最先端のゼロショットの微細なエンティティタイピング方法よりも優れていることを示した。
論文 参考訳（メタデータ） (2023-05-21T00:32:37Z) - nl2spec: Interactively Translating Unstructured Natural Language to
Temporal Logics with Large Language Models [3.1143846686797314]
大規模言語モデル(LLM)を適用するためのフレームワークであるnl2specは、構造化されていない自然言語から正式な仕様を導出する。
本稿では,自然言語におけるシステム要求のあいまいさを検知し,解決する新たな手法を提案する。
ユーザは、これらのサブ翻訳を反復的に追加、削除、編集して、不正なフォーマル化を修正する。
論文 参考訳（メタデータ） (2023-03-08T20:08:53Z) - Prompting Language Models for Linguistic Structure [73.11488464916668]
本稿では,言語構造予測タスクに対する構造化プロンプト手法を提案する。
提案手法は, 音声タグ付け, 名前付きエンティティ認識, 文チャンキングについて評価する。
PLMはタスクラベルの事前知識を事前学習コーパスに漏えいすることで有意な事前知識を含むが、構造化プロンプトは任意のラベルで言語構造を復元することも可能である。
論文 参考訳（メタデータ） (2022-11-15T01:13:39Z)
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。