범분야적 위기 관리를 위한 온톨로지: 핵심 및 공중보건 모듈
An ontology for cross-sectoral crisis management: core and public health modules
한국어 초록
본 논문에서는 재난 위험 경감 및 대응을 위한 범분야적 참조 온톨로지로 고안된 모듈형 OWL 기반 온톨로지인 유럽 위기 관리 온톨로지(ECMO)를 제시합니다. ECMO는 온톨로지 모듈 네트워크 형태로 구성되도록 설계되었습니다. 여러 모듈 중 ECMO-CORE는 위험 요소(hazard), 사건(event), 노출(exposure), 영향(impact), 대응 조치(response measure)와 같은 핵심적인 위기 관리 개념들을 포착하며, 온톨로지 디자인 패턴과 OWL2 퍼닝(punning) 기법을 활용하여 위험 유형과 사건 발현 사이의 모호성을 해결합니다. 또한 SNOMED CT 및 ICD-11과 연계된 공중보건 모듈의 사례와 같이 도메인 특화 모듈들도 정의됩니다. 본 자원의 유용성을 입증하기 위해, 우리는 공동연구센터(JRC)의 오픈 소스 기반 유행병 정보(EIOS) 시스템 데이터를 표현하는 데 ECMO를 적용하여 비정형 역학 뉴스 데이터로부터 ECMO 규격 지식 그래프(knowledge graph)를 구축하는 엔드투엔드(end-to-end) 파이프라인을 생성했습니다. 초기 결과는 ECMO가 일관되고 통합된 지식 표현 및 통합에 필요한 형식적 가드레일을 제공함을 보여줍니다. 해당 온톨로지는 https://doi.org/10.5281/zenodo.20070268 에서 공개되어 있으며, 크리에이티브 커먼즈 저작자표시 4.0 국제(CC BY 4.0) 라이선스 하에 배포됩니다.
원문 초록
This paper presents the European Crisis Management Ontology (ECMO), a modular OWL-based ontology intended as a cross-sectoral reference for disaster risk reduction and response. ECMO is designed to be organised as a network of ontological modules. Among the modules, ECMO-CORE captures fundamental crisis management concepts such as hazard, event, exposure, impact, and response measure and uses ontology design patterns and the OWL2 punning technique to resolve ambiguities between hazard types and event manifestations. In addition, domain-specific modules are defined as in the case of the public health module aligned with SNOMED CT and ICD-11. To demonstrate the resource's utility, we used ECMO to represent the data of the Epidemic Intelligence from Open Sources system of the Joint Research Centre to generate an end-to-end pipeline that populates an ECMO-compliant knowledge graph from unstructured epidemiological news. Initial results demonstrate that ECMO provides the formal guardrails necessary for consistent and unified knowledge representation and integration. The ontology is publicly available at https://doi.org/10.5281/zenodo.20070268 and is released under the Creative Commons Attribution 4.0 International (CC BY 4.0) license.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
기계학습 원자간 포텐셜을 위한 온톨로지
An Ontology for Machine Learning Interatomic Potentials
기계학습 원자간 포텐셜(MLIP)은 양자역학적 에너지와 힘——전통적으로 밀도범함수 이론(DFT)이나 파동함수 방법으로 계산되는——을 비용의 일부만으로 근사한다. 이 분야는 알고리즘, 학습 데이터셋, 하이퍼파라미터, 대상 재료로 구성된 성장하는 생태계를 포괄하지만, MLIP 연구를 체계적으로 비교·재현·확장하는 데 필요한 메타데이터는 여전히 논문, 스크립트, 임시(ad-hoc) 파일 형식에 흩어져 있다. 본 논문은 MLIP 온톨로지를 제시한다. 이는 MLIP 방법, 하이퍼파라미터, DFT 출처가 있는 학습 데이터셋, 공개된 벤치마크를 기술하는 데 필요한 개념을 담은 OWL 2 DL 온톨로지이다. 이 온톨로지는 세 모듈——Method, Training Data, Benchmark——로 구성되며, 재료과학(MDO, CMSO/ASMO)과 기계학습(ML-Schema)의 기존 온톨로지를 연결하고 Croissant와 같은 데이터셋 측 스키마를 보완한다. 27개의 형식 공리를 선언하여 데이터 완전성과 일관성을 강제하며, 학습된 모델을 해당 방법 및 학습 데이터와 연결하는 속성 체인(property chain)을 포함한다. Moment Tensor Potentials를 기반으로 한 실행 예제를 통해 온톨로지를 시연하고, 20편 논문으로 시드된 지식 그래프에 대한 역량 질문(competency question) 실행, OWL 추론, 기존 온톨로지와의 비교를 통해 이를 평가한다.
Automating Cause-Effect Specification with Knowledge Graphs and Large Language Models
멀티홉 지식 그래프 질의응답을 위한 온톨로지 기반 근거 경로 추론
Ontology-Guided Evidence Path Inference for Multi-hop Knowledge Graph Question Answering
지식 그래프 질의응답(KGQA)은 구조화된 사실에 대한 추론을 통해 자연어 질문에 답하는 것을 목표로 한다. 기존 멀티홉 KGQA 방법은 주로 주제 중심 확장에 의존하며, 이는 두 가지 핵심 과제에 직면한다: 검색 공간이 노이즈가 많은 혼합 유형 경로와 함께 급격히 커지고, 검색된 경로가 복잡한 질문의 의미적 제약을 충족하지 못할 수 있다. 이러한 과제를 해결하기 위해, 우리는 멀티홉 KGQA를 위한 온톨로지 기반 근거 경로 추론 프레임워크인 OPI를 제안한다. OPI는 관계의 헤드-테일 유형 제약을 포착하기 위해 관계 중심 온톨로지 그래프를 도입하여, 답변 측 제약을 위한 간결한 인터페이스를 제공한다. 이 온톨로지 그래프를 바탕으로, OPI는 먼저 예측된 답변 유형을 호환 가능한 최종 홉 관계에 매핑하고 주제 측 접두 문맥 확장과 답변 측 최종 홉 매칭을 결합하는 양방향 검색 메커니즘을 도입하여, 노이즈가 많은 혼합 유형 확장을 억제한다. OPI는 또한 질문 맥락 하에서 검색된 경로와 후보 답변을 재평가하는 반복적 정제 전략을 채택하여, 유형은 호환되지만 질문과 무관한 근거를 걸러내 더 신뢰할 수 있는 답변 예측을 수행한다. WebQSP, CWQ, MetaQA에 대한 실험 결과, OPI는 검색 공간을 크게 줄이고, WebQSP에서 기존 최강 결과 대비 Hit@1/F1을 4.6/5.0점, CWQ에서 8.9/3.3점 향상하며, 검색 모듈만으로 MetaQA에서 Hit@1을 거의 포화 수준에 달성한다.
Type Checking Project Haystack Grids using JSON Schema and Pydantic
Build2SPARQL: 빌딩 지식 그래프 쿼리를 위한 대규모 Text-to-SPARQL 벤치마크 데이터셋
Build2SPARQL: A Large-Scale Text-to-SPARQL Benchmark Dataset for Building Knowledge Graph Querying
빌딩 자동화 시스템은 Brick 및 ASHRAE 223P와 같은 온톨로지를 사용하는 시맨틱 지식 그래프(KG)로 점점 더 많이 표현되고 있으며, 이는 인공지능 응용을 위한 기계 판독 가능한 기반을 형성합니다. 유망한 응용 분야 중 하나는 자연어 질문을 SPARQL로 변환하는 Text-to-SPARQL로, 빌딩 관리자가 언어 에이전트를 통해 이러한 그래프를 쿼리할 수 있게 해주지만 대규모 자연어/SPARQL 벤치마크의 부족으로 발전이 제한되고 있습니다. 본 논문에서는 지식 그래프 기반(KG-grounded) 파이프라인으로 생성된 빌딩 지식 그래프용 대규모 벤치마크인 Build2SPARQL을 제시합니다. 이 파이프라인은 SPARQL 쿼리를 전적으로 그래프 순회 코드로 생성 및 검증하는 반면, 대규모 언어 모델(LLM)은 자연어 질문만을 생성하도록 하여 쿼리의 정확성을 모델의 동작과 독립적으로 유지합니다. 해당 파이프라인은 선형 체인, 분기, UNION, 집계, OPTIONAL, 속성 필터링의 6가지 쿼리 패턴 패밀리를 추출하며, 각 쿼리를 5가지 어휘 레지스터에 걸쳐 표현합니다. 201개의 빌딩 지식 그래프(Brick 180개, ASHRAE 223P 21개)에 적용하여 6,136개의 실행 가능한 SPARQL 쿼리와 30,680개의 질문을 도출했습니다. 300개 질문에 대한 2인 평가자 인적 검증 결과 98.8%의 시맨틱 충실도, 98.8%의 자연스러움, 84.0%의 운영 타당성을 확인했습니다. 3개의 공개 가중치(open-weight) 언어 모델에 걸친 검색-증강 평가에서는 완전 일치(exact-match) 정확도가 0.2~20%(제로샷)에서 56~65%(3샷 검색)로 향상되었습니다.
ThermoLLM: LLM-Based Multi-Zone HVAC Control with a Spatiotemporal Context
토론
이 논문과 연결된 포럼 글이 아직 없습니다.
저자 비고
arXiv Comments
17 pages, 2 figures