Fugu-MT 論文翻訳(概要): Column Type Annotation using ChatGPT

論文の概要: Column Type Annotation using ChatGPT

arxiv url: http://arxiv.org/abs/2306.00745v2
Date: Sun, 30 Jul 2023 12:07:34 GMT
ステータス: 処理完了
システム内更新日: 2023-08-01 20:52:53.997607
Title: Column Type Annotation using ChatGPT
Title（参考訳）: ChatGPTを用いたカラム型アノテーション
Authors: Keti Korini, Christian Bizer
Abstract要約: カラム型アノテーションは、データレイクのコンテキストにおけるデータ検索とデータ統合のための重要な前処理ステップである。本研究では、異なるアプローチを採り、カラム型アノテーションにChatGPTを用いて検討する。 2ステップのパイプラインと同様に命令を使用することで、ChatGPTはゼロとワンショットのセットアップで85%以上のF1スコアに達する。
参考スコア（独自算出の注目度）: 2.28438857884398
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Column type annotation is the task of annotating the columns of a relational table with the semantic type of the values contained in each column. Column type annotation is an important pre-processing step for data search and data integration in the context of data lakes. State-of-the-art column type annotation methods either rely on matching table columns to properties of a knowledge graph or fine-tune pre-trained language models such as BERT for column type annotation. In this work, we take a different approach and explore using ChatGPT for column type annotation. We evaluate different prompt designs in zero- and few-shot settings and experiment with providing task definitions and detailed instructions to the model. We further implement a two-step table annotation pipeline which first determines the class of the entities described in the table and depending on this class asks ChatGPT to annotate columns using only the relevant subset of the overall vocabulary. Using instructions as well as the two-step pipeline, ChatGPT reaches F1 scores of over 85% in zero- and one-shot setups. To reach a similar F1 score a RoBERTa model needs to be fine-tuned with 356 examples. This comparison shows that ChatGPT is able deliver competitive results for the column type annotation task given no or only a minimal amount of task-specific demonstrations.
Abstract（参考訳）: カラム型アノテーションは、リレーショナルテーブルの列に各列に含まれる値の意味型をアノテートするタスクである。カラム型アノテーションは、データレイクのコンテキストにおけるデータ検索とデータ統合のための重要な前処理ステップである。 State-of-the-art column型アノテーションメソッドは、知識グラフのプロパティにマッチするテーブル列や、列型アノテーションのBERTのような微調整済み言語モデルに依存する。本研究では、異なるアプローチを採用し、カラム型アノテーションにChatGPTを用いて検討する。ゼロショットと少数ショットの設定で異なるプロンプト設計を評価し,タスク定義とモデルへの詳細な指示を提供する実験を行った。さらに、テーブルに記述されたエンティティのクラスを決定する2ステップのテーブルアノテーションパイプラインを実装し、そのクラスに応じて、全体の語彙の関連するサブセットのみを使用して、ChatGPTにアノテートする。 chatgptは命令と2ステップのパイプラインを使って、ゼロショットとワンショットのセットアップで85%以上のf1スコアに達する。同様のF1スコアに達するには、RoBERTaモデルを356の例で微調整する必要がある。この比較は、ChatGPTが、最小限のタスク固有の実演を条件に、カラムタイプのアノテーションタスクに対して競合的な結果を提供できることを示している。

関連論文リスト

Synthetic SQL Column Descriptions and Their Impact on Text-to-SQL Performance [2.5840833611282052]
本稿では,データベース列の詳細な自然言語記述を自動的に生成する大規模言語モデル(LLM)について検討する。 BIRD-Benchベンチマークに基づいて列記述のデータセットを作成し、その列記述を手作業で修正し、列の難易度を分類する。このような列記述を組み込むことで、特に大規模モデルではテキストと混合モデルの性能が向上する。
論文参考訳（メタデータ） (2024-08-08T13:10:51Z)
KGLink: A column type annotation method that combines knowledge graph and pre-trained language model [6.931554076020352]
KGLinkは、WikiData KG情報と、テーブル列アノテーションのための事前訓練されたディープラーニング言語モデルを組み合わせる。本稿では、WikiData KG情報とテーブル列アノテーションのための学習済みディープラーニング言語モデルを組み合わせたKGLinkを提案する。
論文参考訳（メタデータ） (2024-06-01T06:28:41Z)
CARTE: Pretraining and Transfer for Tabular Learning [10.155109224816334]
このような対応を必要としないニューラルアーキテクチャを提案する。結果として、マッチしていないバックグラウンドデータに基づいて事前トレーニングを行うことができる。ベンチマークでは、CARTEが学習を促進し、ベースラインの堅実なセットを上回ることが示されている。
論文参考訳（メタデータ） (2024-02-26T18:00:29Z)
A General Model for Aggregating Annotations Across Simple, Complex, and Multi-Object Annotation Tasks [51.14185612418977]
ラベルの品質を改善するための戦略は、複数のアノテータに同じ項目にラベルを付け、ラベルを集約するように求めることである。特定のタスクに対して様々なbespokeモデルが提案されているが、様々な複雑なタスクを一般化するアグリゲーションメソッドを導入するのはこれが初めてである。本論では,3つの新たな研究課題について検討し,今後の課題を概説する。
論文参考訳（メタデータ） (2023-12-20T21:28:35Z)
AdaTyper: Adaptive Semantic Column Type Detection [4.062265896931587]
私たちはAdaTyperを提案し、最も重要なデプロイメント課題の1つに対処します。 AdaTyperは弱いスーパービジョンを使用して、ハイブリッド型予測器を新しいセマンティックタイプに適応し、推論時にデータ分散をシフトする。クラウドソーシングによる実世界のデータベーステーブル上でのAdaTyperの適応性能の評価を行った。
論文参考訳（メタデータ） (2023-11-23T04:42:27Z)
Entity Type Prediction Leveraging Graph Walks and Entity Descriptions [4.147346416230273]
textitGRANDは、RDF2vecの異なるグラフウォーク戦略とテキストエンティティ記述を利用したエンティティ型付けの新しいアプローチである。提案手法は,細粒度クラスと粗粒度クラスの両方において,KGにおけるエンティティ型付けのためのベンチマークデータセットDBpediaとFIGERのベースラインアプローチよりも優れている。
論文参考訳（メタデータ） (2022-07-28T13:56:55Z)
UniRE: A Unified Label Space for Entity Relation Extraction [67.53850477281058]
合同エンティティ関係抽出モデルでは、2つのサブタスクに対して2つの分離ラベル空間を設定する。この設定は、エンティティとリレーション間の情報相互作用を妨げる可能性があると我々は主張する。本研究では,2つのサブタスクのラベル空間における異なる処理を除去することを提案する。
論文参考訳（メタデータ） (2021-07-09T08:09:37Z)
TCN: Table Convolutional Network for Web Table Interpretation [52.32515851633981]
テーブル内情報とテーブル間情報の両方を考慮した新しいテーブル表現学習手法を提案する。カラムタイプ予測ではf1の4.8%、カラム対関係予測ではf1の4.1%で競合ベースラインを上回ることができる。
論文参考訳（メタデータ） (2021-02-17T02:18:10Z)
GraPPa: Grammar-Augmented Pre-Training for Table Semantic Parsing [117.98107557103877]
テーブルセマンティック解析のための効果的な事前学習手法GraPPaを提案する。我々は、同期文脈自由文法を用いて、高自由度テーブル上に合成質問ペアを構築する。実世界のデータを表現できるモデルの能力を維持するため、マスキング言語モデリングも含んでいる。
論文参考訳（メタデータ） (2020-09-29T08:17:58Z)
Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
論文参考訳（メタデータ） (2020-09-12T17:36:53Z)
ToTTo: A Controlled Table-To-Text Generation Dataset [61.83159452483026]
ToTToはオープンドメインの英語のテーブル・トゥ・テキストのデータセットで、12万以上のトレーニングサンプルがある。本稿では、ウィキペディアから既存の候補文を直接修正するデータセット構築プロセスを紹介する。通常流動的であるが、既存の方法は多くの場合、表がサポートしていないフレーズを幻覚させる。
論文参考訳（メタデータ） (2020-04-29T17:53:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。