論文の概要: HeriKGQA: Grounded Knowledge-Graph Question Answering over Cultural Heritage Sensor Data
- arxiv url: http://arxiv.org/abs/2611.15904v1
- Date: Wed, 11 Nov 2026 19:09:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.259842
- Title: HeriKGQA: Grounded Knowledge-Graph Question Answering over Cultural Heritage Sensor Data
- Title(参考訳): HeriKGQA:文化遺産センサデータに対する知識グラフの回答
- Abstract要約: 本稿では知識グラフ質問応答法HeriKGQAを提案する。
5つの遺産の実際のデータに関する500の質問に対して、HeriKGQAは99.0%の精度に達した。
- 参考スコア(独自算出の注目度): 3.449473303286656
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Cultural heritage sites are increasingly monitored by sensor networks, but querying their data requires database expertise. Large Language Models (LLMs) offer a natural-language interface, yet over raw sensor records they lose track of which sensor, site, and time each value belongs to, and silently miscompute. We present HeriKGQA, a knowledge-graph question-answering method that confines the LLM to interpreting questions and phrasing answers, leaving computation to SPARQL and deterministic code. Questions are parsed into intents constrained by a heritage ontology aligning W3C SOSA/SSN with CIDOC-CRM, compiled into SPARQL, and answered from query results and temporal, spatial, and anomaly facts derived by a grounding layer, with error correction guarding each LLM step. On 500 questions over real data from five heritage sites, HeriKGQA reaches 99.0% accuracy, 18.2 points above the strongest of three baselines using the same LLM and receiving the same anomaly rules and answer conventions, with comparable answer quality while running almost four times faster. Without grounding, accuracy drops by 12.2 points and on anomaly questions from 99% to 66%. We report lessons from development and live deployment.
- Abstract(参考訳): 文化遺産サイトは、ますますセンサーネットワークによって監視されているが、それらのデータをクエリするには、データベースの専門知識が必要である。
大規模言語モデル(LLM)は自然言語インタフェースを提供するが、生のセンサー記録を超えると、それぞれの値が属するセンサー、サイト、時間のトラックを失い、無音で誤計算される。
本稿では,知識グラフを用いた質問文検索手法であるHeriKGQAについて述べる。
質問は、SPARQLにコンパイルされたW3C SOSA/SSNとCIDOC-CRMを整列した遺産オントロジーによって制約された意図に解析され、クエリ結果とグラウンド層によって導かれる時間的、空間的、異常な事実から回答され、各LSMステップをエラー修正する。
5つの遺産の実際のデータに関する500の質問に対して、HeriKGQAは99.0%の精度に達し、18.2ポイントは3つのベースラインの中で最強である。
根拠のない場合、精度は12.2ポイント低下し、異常な質問は99%から66%に低下する。
開発と実運用から学んだことを報告します。
関連論文リスト
- Ask Before You Answer: A Question-Driven Evidence Reasoning Architecture (QERA) for In-Context Learning [55.5725245335962]
質問駆動のエビデンス推論アーキテクチャであるQERAを提案する。
QERAはまず要求を要求チェックリストと入力された情報要求に変換し、ユーザーの言葉に忠実なコードでフィルタリングする。
その後、会話全体から回答し、コードによって検証された引用で同じ質問を繰り返す。
論文 参考訳(メタデータ) (2026-10-26T09:26:23Z) - Tatarstan Toponyms: A Bilingual Dataset and Hybrid RAG System for Geospatial Question Answering [0.0]
本稿では,多言語トポノミックデータを用いた空間的自動解答について述べる。
タタールスタン共和国の地名のバイリンガルデータセットが導入された。
約39,000の質問文回答三重項からなる質問回答コーパスを構築する。
論文 参考訳(メタデータ) (2026-05-07T10:08:17Z) - DRBENCHER: Can Your Agent Identify the Entity, Retrieve Its Properties and Do the Math? [12.977641563457135]
DRBENCHERは、ブラウジングと計算の両方を必要とする質問のための合成ベンチマークジェネレータである。
検証可能性、複雑さ、難易度、多様性の4つの基準を強制する。
人間の評価は76%の妥当性を示し、35%のエラーは古い知識グラフのエントリによるものである。
論文 参考訳(メタデータ) (2026-04-10T12:07:22Z) - Encyclo-K: Evaluating LLMs with Dynamically Composed Knowledge Statements [78.87065404966002]
既存のベンチマークは、主に質問レベルで質問をキュレートする。
ベンチマーク構築をゼロから再考するステートメントベースのベンチマークであるEncyclo-Kを提案する。
論文 参考訳(メタデータ) (2025-12-31T13:55:54Z) - Diagnosing and Addressing Pitfalls in KG-RAG Datasets: Toward More Reliable Benchmarking [63.84117489519164]
知識グラフ質問 回答システムは、複雑なマルチホップ推論を評価するために高品質なベンチマークに依存している。
広く使われているにもかかわらず、WebQSPやCWQのような一般的なデータセットは、重要な品質問題に悩まされている。
我々はこれらの落とし穴を体系的に解決するLLM-in-the-loopフレームワークであるKGQAGenを紹介する。
本研究は,KGQA評価を推し進めるスケーラブルなフレームワークとして,より厳密なベンチマーク構築とKGQAGenの位置づけを提唱する。
論文 参考訳(メタデータ) (2025-05-29T14:44:52Z) - Increasing the LLM Accuracy for Question Answering: Ontologies to the Rescue! [1.0786522863027366]
本稿では,1)オントロジーに基づくクエリチェック (OBQC) と2) LLM修復からなるアプローチを提案する。
当社のアプローチでは、"知らない"結果の8%を含む、全体的な精度を72%に向上しています。
論文 参考訳(メタデータ) (2024-05-20T00:28:00Z) - The Earth is Flat? Unveiling Factual Errors in Large Language Models [89.94270049334479]
ChatGPTのような大規模言語モデル(LLM)は、事前学習や微調整の知識が豊富にあるため、様々な応用がある。
それにもかかわらず、医療、ジャーナリズム、教育といった重要な分野に懸念を抱き、事実と常識の誤りを引き起こす傾向にある。
LLMにおける事実不正確な事実を明らかにすることを目的とした,新しい自動テストフレームワークであるFactCheckerを紹介する。
論文 参考訳(メタデータ) (2024-01-01T14:02:27Z)
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。