Logic Augmented Generation

要約

セマンティック ナレッジ グラフ (SKG) は、スケーラビリティ、柔軟性、コンテキストの理解、構造化されていない情報や曖昧な情報の処理といった課題に直面しています。
ただし、それらは形式的で構造化された知識を提供し、推論とクエリによって高度に解釈可能で信頼性の高い結果を可能にします。
大規模言語モデル (LLM) はこれらの制限を克服し、無制限のタスクや非構造化環境に適したものにします。
それにもかかわらず、LLM は解釈可能でも信頼性でもありません。
LLM と SKG の間の二分法を解決するために、私たちは 2 つの世界の利点を組み合わせたロジック拡張生成 (LAG) を構想しています。
LAG は、潜在的に無限の関係と暗黙知をオンデマンドで生成できるリアクティブな連続ナレッジ グラフとして LLM を使用します。
SKG は、明確な論理的および事実的な境界を持つ離散ヒューリスティック次元を注入するための鍵です。
集合知の 2 つのタスク、つまり医療診断と気候予測で LAG を例に挙げます。
LAG の特性と制限はまだほとんど知られていませんが、解釈可能で効果的な結果を提供するために暗黙知を伴うさまざまなタスクを可能にするためには、LAG の特性と制限を理解することが最も重要です。

要約(オリジナル)

Semantic Knowledge Graphs (SKG) face challenges with scalability, flexibility, contextual understanding, and handling unstructured or ambiguous information. However, they offer formal and structured knowledge enabling highly interpretable and reliable results by means of reasoning and querying. Large Language Models (LLMs) overcome those limitations making them suitable in open-ended tasks and unstructured environments. Nevertheless, LLMs are neither interpretable nor reliable. To solve the dichotomy between LLMs and SKGs we envision Logic Augmented Generation (LAG) that combines the benefits of the two worlds. LAG uses LLMs as Reactive Continuous Knowledge Graphs that can generate potentially infinite relations and tacit knowledge on-demand. SKGs are key for injecting a discrete heuristic dimension with clear logical and factual boundaries. We exemplify LAG in two tasks of collective intelligence, i.e., medical diagnostics and climate projections. Understanding the properties and limitations of LAG, which are still mostly unknown, is of utmost importance for enabling a variety of tasks involving tacit knowledge in order to provide interpretable and effective results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google