知識駆動型の拡張と検索による統合的な時間的適応

arXiv cs.CL / 2026/4/27

📰 ニュースModels & Research

共有:

要点

本論文は、過去データで学習したモデルが将来データに投入される際に、意味分布が変化し領域知識も更新されうるという時間的ミスマッチ問題を扱います。
KARITA（Knowledge-driven Augmentation and Retrieval for Integrative Temporal Adaptation）では、不確実性や特徴シフトのような複数の時間的シフトを捉えるために、知識駆動型の拡張と検索を組み合わせます。
KARITAは、MeSHのような医学オントロジーを含む豊富な知識ソースを構築し、選択・検索を伴う拡張学習に統合します。
医療、法律、科学の複数領域にまたがる分類タスクでの実験では一貫した改善が示され、時間的な拡張と学習において知識統合が特に重要で有効であることを示唆しています。

Abstract

時間は、モデル開発とデプロイにおいて根本的な課題をもたらします。というのも、モデルは通常、過去のデータで学習される一方で、デプロイ時には将来のデータに適用されます。その際、意味分布やドメイン知識が変化し得るのです。残念ながら、既存の研究は時間的なシフトを見落とすか、意味と知識の双方にまたがる豊かなシフトのパターンをほとんど捉えられていません。私たちは、統合的な時間適応のための知識駆動型の拡張と検索（Knowledge-driven Augmentation and Retrieval for Integrative Temporal Adaptation: KARITA）を提案し、多様な時間的シフト（例：不確実性や特徴シフト）を捉えます。また、（MeSH のような医学オントロジーなど）豊富な知識ソースを構築し、それらを統合するとともに、変化の洞察を活用して「選択・検索に基づく拡張学習」を行います。私たちは、複数のドメインにまたがる分類タスク、すなわち臨床、法務、科学のコーパスで KARITA を評価し、時間適応によって複数ドメインで一貫した改善が得られることを示します。さらに、私たちの結果は、知識統合が時間的拡張と学習において、より重要で効果的になり得ることを示しています。