論文の概要: Political Events using RAG with LLMs

• arxiv url: http://arxiv.org/abs/2502.15701v1
• Date: Mon, 06 Jan 2025 08:16:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 05:53:45.323245
• Title: Political Events using RAG with LLMs
• Title（参考訳）: LLMを用いたRAGを用いた政治イベント
• Authors: Muhammad Arslan, Saba Munawar, Christophe Cruz,
• Abstract要約: 生成人工知能(GenAI)による大言語モデル(LLM) Retrieval-Augmented Generation (RAG)フレームワーク。 政治EEシステムは、特にニュース記事から政治イベント情報を抽出するように設計されている。
• 参考スコア（独自算出の注目度）: 1.6385815610837167
• License:
• Abstract: In the contemporary digital landscape, media content stands as the foundation for political news analysis, offering invaluable insights sourced from various channels like news articles, social media updates, speeches, and reports. Natural Language Processing (NLP) has revolutionized Political Information Extraction (IE), automating tasks such as Event Extraction (EE) from these diverse media outlets. While traditional NLP methods often necessitate specialized expertise to build rule-based systems or train machine learning models with domain-specific datasets, the emergence of Large Language Models (LLMs) driven by Generative Artificial Intelligence (GenAI) presents a promising alternative. These models offer accessibility, alleviating challenges associated with model construction from scratch and reducing the dependency on extensive datasets during the training phase, thus facilitating rapid implementation. However, challenges persist in handling domain-specific tasks, leading to the development of the Retrieval-Augmented Generation (RAG) framework. RAG enhances LLMs by integrating external data retrieval, enriching their contextual understanding, and expanding their knowledge base beyond pre-existing training data. To illustrate RAG's efficacy, we introduce the Political EE system, specifically tailored to extract political event information from news articles. Understanding these political insights is essential for remaining informed about the latest political advancements, whether on a national or global scale.
• Abstract（参考訳）: 現代のデジタルランドスケープでは、メディアコンテンツが政治ニュース分析の基礎として立ち、ニュース記事、ソーシャルメディアのアップデート、スピーチ、レポートなどの様々なチャンネルから得られた貴重な洞察を提供する。 自然言語処理(NLP)は、これらの多様なメディアからイベント抽出(EE)などのタスクを自動化する政治情報抽出(IE)に革命をもたらした。 従来のNLPメソッドは、ルールベースのシステムを構築したり、ドメイン固有のデータセットで機械学習モデルをトレーニングするために専門的な専門知識を必要とすることが多いが、Generative Artificial Intelligence(GenAI)によって駆動されるLarge Language Models(LLM)の出現は、有望な代替手段である。 これらのモデルはアクセシビリティを提供し、スクラッチからモデル構築に関連する課題を緩和し、トレーニングフェーズ中に広範囲なデータセットへの依存を低減し、迅速な実装を容易にする。 しかし、ドメイン固有のタスクを扱う際の課題は継続しており、Retrieval-Augmented Generation (RAG)フレームワークの開発につながっている。 RAGは、外部データ検索を統合し、コンテキスト理解を強化し、既存のトレーニングデータを超えて知識ベースを拡張することで、LCMを強化します。 RAGの有効性を説明するため,本稿では,ニュース記事から政治イベント情報を抽出するための政治EEシステムについて紹介する。 これらの政治的洞察を理解することは、国家的または世界的な規模において、最新の政治的進歩について情報を得るために不可欠である。

関連論文リスト

• Large language models in climate and sustainability policy: limits and opportunities [1.4843690728082002]
  気候・持続可能性文書に異なるNLP技術、ツール、アプローチを適用し、政策関連および行動可能な措置を導出する。 LLMの使用は、異種テキストベースのデータの処理、分類、要約に成功している。 我々の研究は、複雑な政策問題に対するLLMの批判的かつ実証的な基礎的な応用を示し、人工知能を利用した計算社会科学をさらに拡大するための道筋を示唆している。
  論文  参考訳（メタデータ） (2025-02-04T10:13:14Z)
• Machine Unlearning Doesn't Do What You Think: Lessons for Generative AI Policy, Research, and Practice [186.055899073629]
  非学習はしばしば、生成AIモデルからターゲット情報の影響を取り除くソリューションとして呼び出される。 未学習はまた、モデルが出力中にターゲットとなるタイプの情報を生成するのを防ぐ方法として提案されている。 これら2つの目標 - モデルからの情報の標的的除去と、モデル出力からの情報のターゲット的抑制 - は、様々な技術的および現実的な課題を表す。
  論文  参考訳（メタデータ） (2024-12-09T20:18:43Z)
• LLMs for Generalizable Language-Conditioned Policy Learning under Minimal Data Requirements [50.544186914115045]
  本稿では,オフライン言語によるポリシー学習のための新しいトレーニングパイプラインTEDUOを提案する。 TEDUOは、分かりやすい、ラベルなしのデータセットを運用し、いわゆるインザワイルド評価(in-the-wild evaluation)に適している。
  論文  参考訳（メタデータ） (2024-12-09T18:43:56Z)
• Political-LLM: Large Language Models in Political Science [159.95299889946637]
  大規模言語モデル(LLM)は、政治科学のタスクで広く採用されている。 政治LLMは、LLMを計算政治科学に統合する包括的な理解を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-12-09T08:47:50Z)
• Deploying Large Language Models With Retrieval Augmented Generation [0.21485350418225244]
  Retrieval Augmented Generationは、大規模言語モデルのトレーニングセット外のデータソースからの知識を統合するための重要なアプローチとして登場した。 本稿では,LLMとRAGを統合して情報検索を行うパイロットプロジェクトの開発とフィールドテストから得られた知見について述べる。
  論文  参考訳（メタデータ） (2024-11-07T22:11:51Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• Cross-Data Knowledge Graph Construction for LLM-enabled Educational Question-Answering System: A Case Study at HCMUT [2.8000537365271367]
  大規模言語モデル(LLM)は活発な研究トピックとして現れている。 LLMはイベントの記憶、新しい情報の導入、ドメイン固有の問題や幻覚への対処において課題に直面している。 本稿では,複数のデータソースから知識グラフを自動的に構築する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-14T16:34:31Z)
• Large Language Models for Information Retrieval: A Survey [58.30439850203101]
  情報検索は、項ベースの手法から高度なニューラルモデルとの統合へと進化してきた。 近年の研究では、大規模言語モデル(LLM)を活用してIRシステムの改善が試みられている。 LLMとIRシステムの合流点を探索し、クエリリライト、リトリバー、リランカー、リーダーといった重要な側面を含む。
  論文  参考訳（メタデータ） (2023-08-14T12:47:22Z)
• Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction [104.29108668347727]
  本稿では,最新の生成型大規模言語モデルの可能性を活用する,革新的な知識グラフ生成手法を提案する。 このアプローチは、新しい反復的なゼロショットと外部知識に依存しない戦略を含むパイプラインで伝達される。 我々は、我々の提案がスケーラブルで多目的な知識グラフ構築に適したソリューションであり、異なる新しい文脈に適用できると主張している。
  論文  参考訳（メタデータ） (2023-07-03T16:01:45Z)
• Deep Learning for Political Science [0.0]
  機械学習、ディープラーニング、自然言語処理(NLP)、そしてより一般的には、人工知能(AI)が理論をテストする新しい機会を開きつつある。 政治科学は伝統的に、投票行動、政策決定、国際紛争、国際開発などの分野の研究に計算手法を用いてきた。 本章では政治学の例を例に紹介する。
  論文  参考訳（メタデータ） (2020-05-13T19:14:37Z)

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。