論文の概要: OA-RAG: Ontology-based Agentic RAG for Faithful LLM Reasoning

• arxiv url: http://arxiv.org/abs/2610.36335v1
• Date: Mon, 26 Oct 2026 22:04:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.204444
• Title: OA-RAG: Ontology-based Agentic RAG for Faithful LLM Reasoning
• Title（参考訳）: OA-RAG--オントロジーをベースとした多面的LDM推論のためのエージェントRAG
• Abstract要約: 大型モデル(LLM)は多くの現実世界のタスクでよく機能するが、幻覚の傾向があり、バイオメディシンや医療などの領域での信頼性が制限される。 Retrieval-augmented Generation (RAG) は外部情報を組み込むことでこの問題を軽減するが、論理的関係を見落とし、LLM自身の推論に大きく依存することが多い。 我々は、論理構造とドメインの非公式アノテーションの両方に基づいて、公式推論とLLM推論を統合するエージェントであるOA-RAGを提案する。
• 参考スコア（独自算出の注目度）: 15.283662277698305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) perform well across many real-world tasks but remain prone to hallucination, limiting their reliability in domains such as biomedicine and healthcare, where answers must be grounded in established knowledge. Retrieval-augmented generation (RAG) mitigates this problem by incorporating external information, but often overlooks logical relationships and relies heavily on the LLM's own reasoning, which can compromise answer faithfulness. We propose OA-RAG, an agent that integrates formal reasoning with LLM reasoning, drawing on both the logical structure and informal annotations of domain ontologies. For each answer, OA-RAG reports the ontology observations used as evidence and a model-assessed grounding level (entailed, supported, related, or unrelated) that characterises the strength of that evidence. Across benchmarks derived from three large-scale ontologies and six real-world medical question-answering tasks, OA-RAG achieves the best overall performance among the evaluated ontology-fine-tuned and popular RAG methods, with particularly strong results on reasoning-intensive tasks. The reported grounding levels also offer a useful indication of answer reliability, with stronger grounding generally associated with higher accuracy. Finally, our results demonstrate the value of ontologies as knowledge sources: OA-RAG is competitive with, and sometimes outperforms, domain-specific RAG systems that draw on sources such as textbooks.
• Abstract（参考訳）: 大規模言語モデル(LLM)は多くの現実世界のタスクでよく機能するが、幻覚の傾向が強く、バイオメディシンや医療などの領域での信頼性が制限される。 Retrieval-augmented Generation (RAG)は、外部情報を取り入れることでこの問題を軽減するが、しばしば論理的関係を見落とし、LLM自身の推論に大きく依存し、答えの忠実さを損なう可能性がある。 我々は、論理構造とドメインオントロジーの非公式アノテーションの両方に基づいて、公式推論とLLM推論を統合するエージェントであるOA-RAGを提案する。 それぞれの答えについて、OA-RAGは、証拠として使われるオントロジーの観察と、その証拠の強さを特徴づけるモデル評価基盤レベル(詳細、支持、関係、または無関係)を報告している。 OA-RAGは3つの大規模オントロジーと6つの実世界の医学的質問応答タスクから導かれるベンチマークで評価されたオントロジーを微調整し、一般的なRAG手法の中で最高の総合的な性能を達成し、特に推論集約的なタスクに強い結果をもたらす。 報告された接地レベルはまた、回答の信頼性を示す有用な指標であり、より強い接地は一般的に高い精度と関連している。 最後に,OA-RAGは教科書などの資料に基づいて,ドメイン固有のRAGシステムと競合し,時には優れる。

関連論文リスト

• Unlocking Biological Workflows for Robust Protein-Text Question Answering: A Dual-Dimensional RAG Framework [60.82334952881798]
  タンパク-テキスト質問回答(QA)は、自然言語による生物学的配列の解釈に不可欠である。 2D-ProteinRAGは,大規模言語モデル(LLM)を金本位生物研究ワークフロー内で動作させる新しいフレームワークである。 本研究では,2D-Proteinが常に最先端の性能を達成し,微調整ベースラインや他のRAG法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-05-17T05:03:24Z)
• RAGalyst: Automated Human-Aligned Agentic Evaluation for Domain-Specific RAG [0.0]
  Retrieval-Augmented Generation (RAG) は、LLM(Large Language Models)を実際に証明するための重要な手法である。 既存の評価フレームワークは多くの場合、ドメイン固有のニュアンスをキャプチャできないメトリクスに依存します。 本稿では,RAGalystについて紹介する。RAGalystは,ドメイン固有のRAGシステムの厳密な評価を目的とした,人力による自動エージェントフレームワークである。
  論文  参考訳（メタデータ） (2025-11-06T16:22:52Z)
• Enhancing Retrieval Augmentation via Adversarial Collaboration [50.117273835877334]
  我々は「検索幻覚」に対処するため、Adrial Collaboration RAG(AC-RAG)フレームワークを提案する。 AC-RAGは、知識ギャップを識別するジェネリスト検出器と、正確な解決策を提供するドメイン特化リゾルバという2つの異種エージェントを使用している。 実験により、AC-RAGは検索精度を大幅に向上し、様々な垂直領域における最先端RAG法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-18T08:54:20Z)
• LLM Ensemble for RAG: Role of Context Length in Zero-Shot Question Answering for BioASQ Challenge [0.03437656066916039]
  大規模言語モデル (LLM) は情報検索に使用できる。 ゼロショットモデルのアンサンブルは、ドメイン固有のYes/No QAタスクで最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2025-09-10T13:50:49Z)
• Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
  Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。 逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。 この調査は両鎖を統一的推論-検索の観点から合成する。
  論文  参考訳（メタデータ） (2025-07-13T03:29:41Z)
• Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
  幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。 本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
  論文  参考訳（メタデータ） (2025-04-14T10:06:27Z)
• OG-RAG: Ontology-Grounded Retrieval-Augmented Generation For Large Language Models [5.967549123296788]
  本稿では,ドメイン固有コンテキストにおけるプロセスのアンカー化による応答向上のためのオントロジー・グラウンド検索生成手法であるOG-RAGを提案する。 OG-RAGは、事実に基づく推論が不可欠である領域に適用される。
  論文  参考訳（メタデータ） (2024-12-12T01:21:03Z)
• Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
  我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。 大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)

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。