Fugu-MT 論文翻訳(概要): MEGAnno+: A Human-LLM Collaborative Annotation System

論文の概要: MEGAnno+: A Human-LLM Collaborative Annotation System

arxiv url: http://arxiv.org/abs/2402.18050v1
Date: Wed, 28 Feb 2024 04:58:07 GMT
ステータス: 処理完了
システム内更新日: 2024-02-29 16:13:43.444279
Title: MEGAnno+: A Human-LLM Collaborative Annotation System
Title（参考訳）: MEGAnno+: 人間-LLM協調アノテーションシステム
Authors: Hannah Kim, Kushan Mitra, Rafael Li Chen, Sajjadur Rahman, Dan Zhang
Abstract要約: 大規模言語モデル(LLM)は、さまざまなNLPタスクにおいて、人間よりも高速で安価にデータをラベル付けすることができる。それらの長所にもかかわらず、LLMは複雑な、社会文化的、あるいはドメイン固有の文脈の理解に不足する可能性がある。我々は、人間とLLMが協力して信頼性と高品質のラベルを作成する、協調的なアプローチを提唱する。
参考スコア（独自算出の注目度）: 6.10245234757137
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Large language models (LLMs) can label data faster and cheaper than humans for various NLP tasks. Despite their prowess, LLMs may fall short in understanding of complex, sociocultural, or domain-specific context, potentially leading to incorrect annotations. Therefore, we advocate a collaborative approach where humans and LLMs work together to produce reliable and high-quality labels. We present MEGAnno+, a human-LLM collaborative annotation system that offers effective LLM agent and annotation management, convenient and robust LLM annotation, and exploratory verification of LLM labels by humans.
Abstract（参考訳）: 大規模言語モデル(LLM)は、さまざまなNLPタスクにおいて、人間よりも高速で安価にデータをラベル付けすることができる。それらの長所にもかかわらず、LLMは複雑な、社会文化的、あるいはドメイン固有の文脈の理解に乏しくなり、誤ったアノテーションにつながる可能性がある。そこで我々は,人間とLLMが協力して,信頼性と高品質のラベルを作成する,協調的なアプローチを提唱する。我々は,有効なLLMエージェントとアノテーション管理,便利で堅牢なLLMアノテーション,および人間によるLLMラベルの探索的検証を提供する,人間-LLM協調アノテーションシステムMEGAnno+を提案する。

関連論文リスト

When One LLM Drools, Multi-LLM Collaboration Rules [98.71562711695991]
私たちは、データ、スキル、人々の幅広い多様性を表現するために、マルチLLMコラボレーションを議論しています。既存のマルチLLM協調手法を,アクセスレベルと情報交換レベルに基づいて階層構造に整理する。コンポジションインテリジェンスとコラボレーティブAI開発への不可欠な道として,マルチLLMコラボレーションを構想する。
論文参考訳（メタデータ） (2025-02-06T21:13:44Z)
Ensemble of Large Language Models for Curated Labeling and Rating of Free-text Data [1.715270928578365]
本稿では,プライバシ制約下での自由テキストデータにおける所定のトピックのラベル付けを強化する枠組みを提案する。我々は,摂食障害関連フォーラムから公開されているRedditデータと摂食障害患者の自由テキスト応答を用いて,アンサンブルアプローチを評価した。
論文参考訳（メタデータ） (2025-01-14T20:08:16Z)
LLM+AL: Bridging Large Language Models and Action Languages for Complex Reasoning about Actions [7.575628120822444]
LLM+ALは,LLMの自然言語理解能力を,行動言語の記号的推論強度で橋渡しする手法である。 LLM+AL"はChatGPT-4, Claude 3 Opus, Gemini Ultra 1.0, o1-previewなど,最先端のLLMと比較する。以上の結果から,LLM+ALは比較的最小限の修正しか行わないが,常に正しい解が得られることが示唆された。
論文参考訳（メタデータ） (2025-01-01T13:20:01Z)
Thinking with Knowledge Graphs: Enhancing LLM Reasoning Through Structured Data [0.9284740716447338]
大規模言語モデル(LLM)は、自然言語の理解と生成において顕著な能力を示した。近年の研究では、知識グラフ(KG)を活用してLLM性能を向上させるという有望な成果が示されている。我々は、KG構造と意味論をLLM表現に密に統合する様々な手法を開発した。
論文参考訳（メタデータ） (2024-12-14T02:51:47Z)
CoRA: Collaborative Information Perception by Large Language Model's Weights for Recommendation [13.867950651601483]
LLM(Large Language Models)における協調情報の導入は,LLMを推奨に適応させる上で有望な手法である。既存の手法では、テキストトークンと協調的な特徴を統一シーケンス入力に結合することでこれを実現する。協調的なクエリジェネレータを備えた新しいパラダイムである textbfCollaborative textbfLoRA を提案する。
論文参考訳（メタデータ） (2024-08-20T08:36:59Z)
Toward Self-Improvement of LLMs via Imagination, Searching, and Criticizing [56.75702900542643]
大規模言語モデルの自己改善のためのAlphaLLMを紹介する。モンテカルロ木探索(MCTS)とLLMを統合し、自己改善ループを確立する。実験の結果,AlphaLLM は付加アノテーションを使わずに LLM の性能を大幅に向上することがわかった。
論文参考訳（メタデータ） (2024-04-18T15:21:34Z)
Boosting Large Language Model for Speech Synthesis: An Empirical Study [86.89548753080432]
大規模言語モデル(LLM)は自然言語処理において大きな進歩を遂げており、言語能力は音声や視覚など他のモダリティにも拡張されている。我々は,事前学習したLLM LLaMA/OPTと音声合成モデルVALL-Eを組み合わせることで,LLMの強化と音声生成能力の総合的な実証調査を行う。テキストエンコーダとしてLLMとVALL-Eを組み合わせることで,LLMとVALL-Eの3つの統合手法を比較した。
論文参考訳（メタデータ） (2023-12-30T14:20:04Z)
CoAnnotating: Uncertainty-Guided Work Allocation between Human and Large Language Models for Data Annotation [94.59630161324013]
本稿では,非構造化テキストの大規模共同アノテーションのための新しいパラダイムであるCoAnnotatingを提案する。我々の実証研究は、CoAnnotatingが、異なるデータセット上の結果から作業を割り当てる効果的な手段であることを示し、ランダムベースラインよりも最大21%のパフォーマンス改善を実現している。
論文参考訳（メタデータ） (2023-10-24T08:56:49Z)
Low-code LLM: Graphical User Interface over Large Language Models [115.08718239772107]
本稿では,人間-LLMインタラクションフレームワークであるLow-code LLMを紹介する。より制御可能で安定した応答を実現するために、6種類のシンプルなローコードビジュアルプログラミングインタラクションを組み込んでいる。ユーザフレンドリなインタラクション,制御可能な生成,広い適用性という,低コード LLM の3つの利点を強調した。
論文参考訳（メタデータ） (2023-04-17T09:27:40Z)
Can Large Language Models Transform Computational Social Science? [79.62471267510963]
大規模言語モデル(LLM)は、(トレーニングデータなしで)ゼロショットで多くの言語処理タスクを実行することができるこの研究は、計算社会科学ツールとしてLLMを使用するためのロードマップを提供する。
論文参考訳（メタデータ） (2023-04-12T17:33:28Z)

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。