Darshana Graph: 비교 인도 철학을 위한 병렬 주석 말뭉치 및 문체론적·탐색적 그래프 분석
Darshana Graph: A Parallel Commentary Corpus for Comparative Indian Philosophy, with Stylometric and Exploratory Graph Analyses
한국어 초록
우리는 힌두, 불교, 자이나교의 고전 철학 전통을 아우르는 125,000개 이상의 텍스트 기록으로 구성된 Darshana Graph를 소개합니다. 이 말뭉치는 바가바드 기타, 브라마 수트라, 주요 우파니샤드, 팔리 경전, 핵심 자이나교 텍스트를 포함한 공개 도메인 및 오픈 라이선스 번역본에서 추출되었습니다. 이 말뭉치의 독특한 기여는 약 8,500개의 힌두 및 자이나 기록으로 구성된 구조적으로 독특한 부분 집합에 있습니다. 여기서는 베단타 학파 5개와 다른 다르샤나(darshanas)를 대표하는 18명의 역사적 주석가에 걸쳐 동일한 근본 구절이나 수트라(sutra)가 정렬되어 있어, 독립적인 해석 전통이 동일한 원본 자료를 어떻게 읽는지 직접 비교할 수 있습니다. 우리가 아는 한, 이 규모에서 비교 가능한 주석가 간 정렬을 제공하는 공개적으로 이용 가능한 자원은 없습니다. 우리는 이 말뭉치를 기반으로 구축된 두 가지 분석을 제시합니다. 첫째, 머신러닝(machine learning)이 필요 없는 투명한 문체론적 비교를 통해 경전 인용 밀도, 명시적 반박률, 문장 복잡성으로 논증 스타일을 측정합니다. 이 분석은 인용 밀도와 반박률 사이의 중간 정도의 음의 상관관계, 관련 교리적 계통에 속한 세 명의 주석가에 걸친 반박률의 현저한 증가, 그리고 팔리 경전 내부의 측정 가능한 장르 수준의 차이를 발견했습니다. 둘째, 미리 정의된 관계 어휘와 결정론적 사후 검증(validation)을 사용하여 개념 간의 유형화된 철학적 관계를 추출하는 제약된 대규모 언어 모델(LLM) 파이프라인을 설명합니다. 결과 그래프는 학파 간 불일치 패턴을 드러내는 동시에, 독립적인 임베딩(embedding) 기반 분석이 그래프에서 도출된 발견과 일치하지 않는 경우를 포함하여 중요한 추출 한계를 보여줍니다. 우리는 전체 말뭉치, 추출된 관계 그래프 및 모든 소스 코드를 공개합니다.
원문 초록
We introduce Darshana Graph, a corpus of over 125,000 text records spanning classical Hindu, Buddhist, and Jain philosophical traditions, drawn from public-domain and openly licensed translations of sources including the Bhagavad Gita, Brahma Sutras, principal Upanishads, the Pali Canon, and core Jain texts. Its distinctive contribution lies in a structurally unique subset of roughly 8,500 Hindu and Jain records in which the same root verse or sutra is aligned across eighteen historical commentators representing five schools of Vedanta and other darshanas, enabling direct comparison of how independent interpretive traditions read identical source material. To our knowledge, no publicly available resource provides comparable cross-commentator alignment at this scale. We present two analyses built on this corpus. First, a transparent stylometric comparison requiring no machine learning measures argumentative style through scriptural citation density, explicit refutation rate, and sentence complexity. It finds a moderate negative correlation between citation density and refutation rate, a marked increase in refutation rate across three commentators in a related doctrinal lineage, and measurable genre-level differences within the Pali Canon itself. Second, we describe a constrained large language model pipeline that extracts typed philosophical relationships between concepts using a predefined relation vocabulary and deterministic post-hoc validation. The resulting graph surfaces cross-school disagreement patterns while also revealing important extraction limitations, including cases where an independent embedding-based analysis disagrees with the graph-derived findings. We release the full corpus, extracted relationship graph, and all source code.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.18222v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
대규모 구조화 문헌 마이닝을 위한 도메인 적응 사전학습 기반 수처리 의미 표상 향상
Domain-Adaptive Pretraining Enhances Water Treatment Semantic Representation for Large-Scale Structured Literature Mining
수처리 연구가 급격히 확장되고 있으나, 이러한 연구로부터 도출된 많은 지식은 비정형 문헌 전반에 흩어져 있는 상태로 남아 있다. 이 분야는 대규모 문헌 마이닝을 위해 수처리 특화 도메인 의미를 효율적으로 포착할 수 있는 전용 언어 모델이 여전히 부족하다. 본 연구에서는 수처리 텍스트로부터 의미 표상(semantic representation) 및 구조화된 정보 추출을 수행하도록 설계된 도메인 적응 인코더 모델인 WaterBERT를 개발하여 이를 해결한다. WaterBERT는 약 29억 7천만 개의 토큰으로 구성된 대규모 수처리 말뭉치에 대한 지속 사전학습(continual pretraining)을 통해 개발되었다. WaterBERT를 기반으로 파인튜닝된 세 가지 모델을 다운스트림 태스크에서 체계적으로 평가한 결과, 다중 클래스 처리 공정 분류에서 F1 점수 90.12%, 개체명 인식에서 79.50%, 관계 추출에서 74.04%를 기록하며 범용 및 도메인 특화 BERT 모델 중 전반적으로 가장 우수한 성능을 달성했다. 이러한 벤치마크 태스크를 넘어, 대규모 문헌 처리에 대한 WaterBERT의 이점을 추가로 입증했다. 5,144편의 Environmental Science & Technology 논문에 적용된 WaterBERT-BERTopic은 사전에 정의된 범주 없이도 일관되고 다양하며 도메인에 특화된 연구 주제를 식별했다. WaterBERT를 기반으로 693,211개의 초록을 처리하여 상용 대규모 언어 모델(LLM)보다 현저히 낮은 비용으로 경쟁력 있는 추출 성능을 유지하면서 구조화된 수처리 지식 그래프를 구축했다. 이후 이 지식 그래프를 어휘 및 조밀 검색(dense retrieval)과 통합하여 수처리 지식 증강 검색 시스템(WaterKERS)을 개발했으며, 이는 관련성 점수 77.7을 달성하여 텍스트 기반 검색 베이스라인(54.7-64.5)을 크게 능가했다. 본 연구는 WaterBERT를 통해 수처리 연구에서의 대규모 정보 처리 및 근거 매핑을 위한 컴팩트하고 확장 가능한 의미론적 기반을 제공한다.
TRACE-CTI: 지식 그래프를 활용한 TTP 주장의 감사 가능한 추출 후 거버넌스
TRACE-CTI: Auditable Post-Extraction Governance of TTP Claims with Knowledge Graphs
보안 운영 센터(SOC)는 사이버 위협 인텔리전스(CTI) 보고서를 MITRE ATT&CK에 자동 매핑하는 데 점점 더 의존하고 있지만, 추출기 출력은 여전히 오류 가능성이 있으며 개별 매핑을 신뢰해야 하는지 판단하는 데 필요한 증거, 출처(provenance), 검증 이력 없이 저장되는 경우가 많다. 우리는 TRACE-CTI를 제시한다. 이는 실행(run) 수준 Predictions를 보존하고, 이를 구성(configuration) 수준 GraphAssertions로 집계하며, 설정 중복 제거된 상호 검증을 ConsensusAssertions로 구체화하고, 정책 준수 검증 근거(validation grounds)가 뒷받침하는 GraphAssertions만 노출하는 추출 후 클레임 거버넌스 프레임워크이다. 이 프레임워크는 원본 증거의 세분화 수준, 완전한 추출 출처, 버전 관리된 신뢰 결정, 비파괴적 철회 이력을 유지한다. 우리는 65개 보고서와 5,303개 문장으로 구성된 두 공개 CTI 코퍼스에서 TRACE-CTI를 평가한다. 검색기(retriever)와 생성기(generator) 계열의 통제된 2×3 행렬을 사용하여 6개 GraphVersion에 걸쳐 점진적으로 수집한다. 모든 설정은 스키마 수정 없이 통합되며, 출처 경로는 완전하게 유지되고, 운영 범위는 분리(disjoint)되어 있으며, 신뢰할 수 있는 모든 GraphAssertion에는 활성화된 적격 검증 근거가 있다. 생성기 계열 간 교차 설정 쌍은 동일 계열 쌍보다 더 큰 출력 다양성을 보인다. 최종 그래프 상태에서 설정 지원을 k ≥ 1에서 6개 설정 전원 일치(six-setup unanimity)로 늘리면 gold 정렬 정밀도는 25.3%에서 90.6%로 상승하고, 재현율은 88.2%에서 16.3%로 감소한다. 그래프는 또한 출처, 신뢰, 버전 관리, 의존성, 불일치, 검토 대기열(review-queue)에 관한 7가지 질문에 직접 답할 수 있으며, 이는 평가된 최소 평면(flat) 출력이 보강이나 재처리 없이는 완전히 답할 수 없는 질문들이다. 이 결과는 추출된 TTP 주장에 대한 명시적이고 감사 가능한 거버넌스를 뒷받침한다. 관찰된 상호 검증 궤적은 기술적(descriptive)이며 통계적 독립성이나 인과적 모델 계열 효과를 확립하지 않는다.
LLM 기반 온톨로지 엔지니어링과 프랑스 법률 지식 그래프 구축
LLM-Assisted Ontology Engineering and Construction of a French Legal Knowledge Graph
유지보수 규정은 특정 사례를 다룰 때 활용하기 어렵고 운영 시스템에 통합하기도 까다로운 복잡한 법률 텍스트이다. 본 논문은 프랑스 유지보수 규정을 위한 2단계 LLM 기반 워크플로를 제시한다: SEMLEG 기반 핵심 온톨로지로부터의 온톨로지 엔지니어링, 그리고 이어서 온톨로지에 기반한(ontology-grounded) 프랑스 법률 지식 그래프의 구축. 1단계는 계층화된 코퍼스 샘플로부터 유형화된 엔티티와 트리플의 개방 추출(open extraction), 임베딩 기반 융합을 통한 레이블 정규화, 그리고 시그니처(도메인과 레인지)를 갖는 후보 객체 속성(object property)의 유도로 구성된다. 2단계는 결과 온톨로지를 사용하여 전체 코퍼스에 대한 트리플의 폐쇄 추출(closed extraction)과 RDF 그래프 구축을 안내한다. GPT-4.1과 mistral-large-2512를 사용한 실험은 견고한 구조화 출력, 거의 완전한 클래스 정렬, 그리고 융합 후 중복 엔티티와 술어의 상당한 감소를 보여준다. 트리플의 20% 미만이 새로운 속성을 도입하며, 더 낮은 정확한 시그니처 준수는 기존 술어에 대한 새로운 도메인-레인지 조합을 드러낸다. 이러한 결과는 산업 유지보수 환경에서 술어 정규화와 새로 관찰된 관계 시그니처의 검증이 핵심 정제 단계임을 시사한다.
다국어 공동 개체-관계 추출 파이프라인을 통한 유럽 정치 엘리트 네트워크 매핑
Mapping Political-Elite Networks in Europe with a Multilingual Joint Entity-Relation Extraction Pipeline
정치 엘리트들이 공공 자원을 포획하는 지대추구 연합으로 조직되는지, 아니면 거버넌스를 지탱하는 시민 네트워크로 조직되는지는 비교정치학의 핵심 질문이다. 그러나 이러한 복잡하고 비공식적이며 적대적인 관계를 대규모로 관찰하는 작업은 역사적으로 집중적인 수작업 코딩을 요구해왔으며, 자동화된 텍스트-데이터 방법은 대부분 단순한 공동 출현 분석에 그쳐왔다. 최근의 대규모 언어 모델(LLM) 접근법이 돌파구를 제시하지만, 독점 API에 의존하거나 교차 언어 능력이 부족하고 확장 가능한 개체 해소에 어려움을 겪는 경우가 많다. 우리는 대규모 비정형 뉴스 코퍼스로부터 부호화된 시계열 지식 그래프를 구축하는 모듈형 완전 공개 가중치 기반 다국어 공동 개체-관계 추출 파이프라인을 제시한다. 이 파이프라인은 스팬 기반 개체명 인식(NER)과 언어 독립적 Wikidata 식별자로 언급을 매핑하는 3단계 연결 캐스케이드를 결합하며, 이후 고처리량 온톨로지 제약 전문가 혼합(MoE) 모델이 가이드 디코딩을 통해 도메인 온톨로지에 기반한 방향성 있는 부호화 관계를 추출한다. 3,491개 관계로 구성된 골드 스탠다드에 대한 전수 점검 결과 높은 텍스트 정확도(엄격 기준 68.2%, 완화 기준 93.7%)를 보였다. 두 가지 대규모 사례 연구를 통해 공식 기록과 대조하여 파이프라인을 검증하였다. 오스트리아 사례에서는 한 정당의 전체 생애주기를 재구성하여 내부 균열 시점을 특정하고 후계 파벌 및 법원 판결로 이어지는 인사를 추적하였다. 폴란드 코퍼스에서는 국영기업 후원의 경제·거버넌스 중첩 네트워크와 함께, 양극화된 시민강령(Platforma Obywatelska, PO)과 법과정의(Prawo i Sprawiedliwość, PiS) 양당 구도의 구조적으로 균형 잡힌 부호화 갈등 네트워크를 발견하였다. 우리의 프레임워크는 원시 다국어 텍스트와 구조화된 관계형 데이터를 연결함으로써 비교 국가 간 실증적 계산 사회과학을 위한 견고하고 재현 가능한 토대를 제공한다.
SCOPE와 SCION: 텍스트로부터의 스키마 유도 및 융합을 위한 벤치마크와 감사 가능한 참조 파이프라인
SCOPE and SCION: A Benchmark and an Auditable Reference Pipeline for Schema Induction and Fusion from Text
스키마 그래프는 스키마 기반 정보 추출 및 지식 그래프 구축의 상류 병목이지만, 대부분의 추출 시스템은 스키마가 이미 제공된다고 가정한다. 우리는 원시 텍스트로부터 코퍼스-대-스키마 유도 및 선택적 스키마 융합을 위한 학습 텍스트 전용 벤치마크인 SCOPE(Schema Construction and Ontology-induction Pipeline Evaluation)를 소개한다. 이는 24개의 공개 정보 추출 소스(관계 추출(RE) 15개, 이벤트 추출(EE) 9개)로부터 구축되었으며, 평가 전용 골드 스키마 그래프로 정규화되었다. 핵심 이벤트 추출 대상은 이벤트 유형과 이벤트 내 인자 역할을 다루며, 이벤트 간 링크는 별도로 보고한다. 또한 우리는 새로운 추출 아키텍처가 아닌 감사 가능한 참조 파이프라인인 SCION(Schema Construction and Induction with Ontology Normalization)을 제시한다. SCION은 학습 텍스트로부터 후보 공간을 구성하고, 명명, 병합, 필터링, 검증, 보수적 융합을 엄격한 JSON 계약 하에서 후보 연결 증거로 제한한다. SCOPE 핵심 스위트에서 SCION-lite는 Literal, Fuzzy, Continuous, Graph 스키마-그래프 지표 하에서 공개된 소스-스키마 참조, Text2Onto 스타일, LLM 전용, 매칭된 추출-후-집계(extract-then-aggregate) 베이스라인 중 최고 F1을 달성하며, 소형 오픈 모델 변형인 SCION-RL은 독점 LLM 스키마 엔지니어에 대한 의존을 줄인다. 이러한 결과는 유도된 스키마가 인간의 온톨로지 설계를 능가한다는 주장이 아니라 정규화된 typed-edge 타겟에 대해 보고된 것이다. 공개 자료에는 증거 연결 출력, 파싱/폴백 로그, 후보 유지/병합 로그, 실행 매니페스트, 코드, 벤치마크 패키지가 https://github.com/wandugu/paper_scion 에 포함되어 있다.
Agents-K1: 에이전트 네이티브 지식 오케스트레이션을 향하여
Agents-K1: Towards Agent-native Knowledge Orchestration
현재 LLM 기반 연구 에이전트(research agents)는 에이전트 오케스트레이션을 통해 발전해 왔지만, 과학적 지식 오케스트레이션은 대체로 간과하고 있다. 기존 연구는 종종 논문을 초록, 표면적 언급, 평탄한 \texttt{cites} 엣지로 축소하여, 과학적 추론에 필수적인 핵심 개체, 주장, 근거, 메커니즘, 방법 계보를 누락한다. 이를 위해 우리는 원본 문서를 에이전트 네이티브 과학 지식 그래프로 변환하는 엔드투엔드 지식 오케스트레이션 파이프라인인 \textbf{Agents-K1}을 제안한다. Agents-K1은 통합 이론적 기반 아래 세 가지 구성 요소를 통합한다: 초록만이 아닌 논문 전체에 걸쳐 개체, 멀티모달 근거, 인용, 유형화된 개체 간 관계를 포착하는 5-모듈 스키마를 갖춘 멀티모달 파서; 규칙 기반 보상 하에 GRPO로 학습된 4B 정보 추출(information extraction) 백본; 웹 검색, 멀티모달 그래프 검색(retrieval), 문서 간 순회를 통합하는 3원(agent) 인터페이스인 graphanything CLI. 이를 바탕으로 6개 주제 분야의 246만 편 과학 논문을 처리하여 \textbf{Scholar-KG}를 구축했으며, 100만 편 부분집합을 공개하고, 전체 Scholar-KG는 아래 SCP 링크를 통해 접근할 수 있다. 동일한 파이프라인은 일반 도메인 코퍼스와 스키마 준수 데이터 합성(schema-conformant data synthesis)으로 확장할 수 있다. 광범위한 실험을 통해 Agents-K1이 과학적 정보 추출, 지식 그래프 구축, 멀티홉 과학적 추론(multi-hop scientific reasoning)에서 우수한 성능을 달성함을 보였다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.