OWL 온톨로지 학습에서 멤버십 질의(MQ)를 LLM이 처리하도록 재설계한 능동학습 프레임워크 연구다. 연구진은 기술논리에서 포섭(subsumption)을 만족가능성(satisfiability)으로 환원하는 표준 기법에 착안해, 후보 공리를 반대 개념(counter-concept)으로 변환하고 통제된 자연어로 표현해 LLM에 제시했다. 이때 LLM은 반대 개념의 인스턴스에 가까운 실세계 예시를 제공하는 세 번째 구성 요소로 도입된다. 이 설계는 오직 Type II 오류(누락)만 발생시키므로 최악의 경우에도 일관성 위반 없이 구축이 지연될 뿐이며, 13개 상용 LLM 실험에서 잘 알려진 온톨로지들에 대해 안정적인 재현율을 보였다.
- •멤버십 질의를 반대 개념 기반 만족가능성 검사로 재정식화
- •통제된 자연어로 변환해 LLM에 제시하는 능동학습 파이프라인 제안
- •LLM을 반대 개념 인스턴스 예시 제공자로 활용
- •Type II 오류만 발생해 온톨로지 일관성을 보장하는 안전성 확보
- •13개 상용 LLM에서 안정적 재현율 검증
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
From Subsumption to Satisfiability: LLM-Assisted Active Learning for OWL Ontologies
- 1.온토로지 구축용 능동학습의 회원 쿼리 프레임워크
- 2.반대 개념 검증 방식을 통제된 자연어로 LLM에 제시
- 3.Type II 오류만 발생해 최악에도 불일치 없이 지연만 유발
- 4.13개 상용 LLM에서 재현율이 일관되게 안정적
왜 중요한가?
기술 논리 기반 온톨로지 모델링에 LLM을 안전하게 활용하는 능동학습 패러다임을 제시합니다.
본문 미리보기
arXiv:2604.16672v1 Announce Type: new Abstract: In active learning, membership queries (MQs) allow a learner to pose questions to a teacher, such as ''Is every apple a fruit?'', to which the teacher responds correctly with yes or no. These MQs can be viewed as subsumption tests with respect to the target ontology. Inspired by the standard reduction of subsumption to satisfiability in description logics, we reformulate each candidate axiom into its corresponding counter-concept and verbalise it
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:43AI 초안
