Core Concepts
LLMエージェントを活用することで、従来のオントロジーマッチングシステムの課題を解決し、高精度なマッチング結果を得ることができる。
Abstract
本論文は、LLMエージェントを活用したオントロジーマッチングの新しい設計パラダイムを提案している。
従来のオントロジーマッチングシステムには、知識ベースの専門家システムと機械学習ベースの予測システムの2つの主要なアプローチがあった。
しかし、LLMとLLMエージェントの登場により、これらのアプローチには限界がある。
そこで本論文では、LLMエージェントを活用したAgent-OMと呼ばれる新しい枠組みを提案している。
Agent-OMは、リトリーバルエージェントとマッチングエージェントの2つのエージェントから構成される。
リトリーバルエージェントは、オントロジーから必要な情報を抽出し、ハイブリッドデータベースに格納する。
マッチングエージェントは、格納された情報を活用して、オントロジー間の対応関係を見つける。
エージェントはLLMを中心とした設計になっており、チェーン思考やメモリ、ツールを活用することで、従来のシステムを超える性能を発揮できる。
3つのOAEIトラックでの評価実験の結果、Agent-OMは単純なマッチング課題では従来システムと同等の性能を示し、複雑な課題や少数事例の課題では大幅な性能向上を実現した。
Stats
オントロジーマッチングは、異なるオントロジー間の概念的な異質性を解決するための重要な課題である。
従来のオントロジーマッチングシステムには、知識ベースの専門家システムと機械学習ベースの予測システムの2つの主要なアプローチがある。
LLMとLLMエージェントの登場により、これらのアプローチには限界がある。
LLMエージェントは、計画、メモリ、ツールを活用することで、LLMの能力を拡張できる。
Quotes
"LLMは事前学習モデルであり、最新の情報を捉えられない。"
"LLMの妄想は、ドメイン固有のタスクで頻繁に観察され、信頼性を損なう。"
"LLMは言語能力のモデルであるが、計画やルーティングなどの非言語タスクでは限定的な能力しか示していない。"