論文の概要: DiCoRe: Enhancing Zero-shot Event Detection via Divergent-Convergent LLM Reasoning

• arxiv url: http://arxiv.org/abs/2506.05128v1
• Date: Thu, 05 Jun 2025 15:16:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.77919
• Title: DiCoRe: Enhancing Zero-shot Event Detection via Divergent-Convergent LLM Reasoning
• Title（参考訳）: DiCoRe: ダイバージェント収束LDM推論によるゼロショットイベント検出の強化
• Authors: Tanmay Parekh, Kartik Mehta, Ninareh Mehrabi, Kai-Wei Chang, Nanyun Peng,
• Abstract要約: DiCoReは、DreamerとGolderを使ってEDのタスクを分離する分散収束推論フレームワークである。 我々は、DiCoReがゼロショット、トランスファーラーニング、推論ベースラインを一貫して上回っていることを実証する。
• 参考スコア（独自算出の注目度）: 89.44918500792394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Zero-shot Event Detection (ED), the task of identifying event mentions in natural language text without any training data, is critical for document understanding in specialized domains. Understanding the complex event ontology, extracting domain-specific triggers from the passage, and structuring them appropriately overloads and limits the utility of Large Language Models (LLMs) for zero-shot ED. To this end, we propose DiCoRe, a divergent-convergent reasoning framework that decouples the task of ED using Dreamer and Grounder. Dreamer encourages divergent reasoning through open-ended event discovery, which helps to boost event coverage. Conversely, Grounder introduces convergent reasoning to align the free-form predictions with the task-specific instructions using finite-state machine guided constrained decoding. Additionally, an LLM-Judge verifies the final outputs to ensure high precision. Through extensive experiments on six datasets across five domains and nine LLMs, we demonstrate how DiCoRe consistently outperforms prior zero-shot, transfer-learning, and reasoning baselines, achieving 4-7% average F1 gains over the best baseline -- establishing DiCoRe as a strong zero-shot ED framework.
• Abstract（参考訳）: Zero-shot Event Detection (ED)は、訓練データなしで自然言語テキストで言及されたイベントを識別するタスクであり、専門分野の文書理解に不可欠である。 複雑なイベントオントロジーを理解し、パスからドメイン固有のトリガを抽出し、それらを適切にオーバーロードし、ゼロショットEDに対するLarge Language Models(LLM)の有用性を制限する。 この目的のために,Dreamer と Grounder を用いて,ED のタスクを分離する分散収束推論フレームワーク DiCoRe を提案する。 Dreamerは、イベントのカバレッジ向上に役立つオープンエンドなイベントディスカバリを通じて、さまざまな推論を推奨する。 逆に、グラマーは有限状態機械誘導制約付き復号法を用いて、自由形式の予測をタスク固有の命令と整合させる収束推論を導入した。 さらに、LCM-Judgeは、最終的な出力を確認し、高い精度を保証する。 5つのドメインと9つのLLMにわたる6つのデータセットに関する広範な実験を通じて、DiCoReがゼロショット、トランスファーラーニング、推論ベースラインを一貫して上回り、最高のベースラインで4-7%の平均F1ゲインを達成したことを示し、強力なゼロショットEDフレームワークとしてDiCoReを確立する。

関連論文リスト

• The First Few Tokens Are All You Need: An Efficient and Effective Unsupervised Prefix Fine-Tuning Method for Reasoning Models [69.798277882245]
  大規模言語モデルの推論効率を向上させるために,Unsupervised Prefix Fine-Tuning (UPFT)を導入した。 UPFTはラベル付きデータや徹底的なサンプリングの必要性を取り除く。 実験の結果,UPFTは教師付き手法の性能と一致していることがわかった。
  論文  参考訳（メタデータ） (2025-03-04T18:56:03Z)
• From Objects to Events: Unlocking Complex Visual Understanding in Object Detectors via LLM-guided Symbolic Reasoning [71.41062111470414]
  オープンボキャブラリ検出器を用いたプラグアンドプレイフレームワークインタフェースの提案。 提案手法は, 検出された実体間の関係パターンを探索する記号的回帰機構を組み合わせたものである。 トレーニング不要のフレームワークを、さまざまなアプリケーションドメインにまたがる特別なイベント認識システムと比較した。
  論文  参考訳（メタデータ） (2025-02-09T10:30:54Z)
• Enhancing Event Reasoning in Large Language Models through Instruction Fine-Tuning with Semantic Causal Graphs [7.9482258228279195]
  イベント検出のための命令微調整LDMに対する新しいアプローチを提案する。 本手法ではセマンティック因果グラフ(SCG)を導入し,テキスト内の因果関係と文脈情報の両方を抽出する。 評価の結果,SCG 命令を用いた LLM の訓練は,イベントトリガー分類において,平均35.69% の精度で標準命令の微調整に優れていた。
  論文  参考訳（メタデータ） (2024-08-30T18:56:06Z)
• Identifying Factual Inconsistencies in Summaries: Grounding LLM Inference via Task Taxonomy [48.29181662640212]
  事実的矛盾は、生成モデルによる忠実な要約にとって重要なハードルとなる。 我々は,要約中の不整合事実のキーエラータイプを集約し,ゼロショットと教師付きパラダイムの両方を容易にするためにそれらを組み込んだ。
  論文  参考訳（メタデータ） (2024-02-20T08:41:23Z)
• MsPrompt: Multi-step Prompt Learning for Debiasing Few-shot Event Detection [16.98619925632727]
  イベント検出(ED)は、構造化されていないテキストでキートリガーワードを特定し、それに従ってイベントタイプを予測することを目的としている。 従来のEDモデルは、ラベル付きデータが不足している実際のアプリケーションに対応するには、データ不足が多すぎる。 本稿では,複数ステップのプロンプト学習モデル(MsPrompt)を提案する。
  論文  参考訳（メタデータ） (2023-05-16T10:19:12Z)
• Trigger-free Event Detection via Derangement Reading Comprehension [4.728684358207039]
  イベント検出は、テキストからイベントを検出し、それらを分類することを目的としている。 本稿では,機械読み取り(DRC)フレームワーク上での分散機構によるトリガフリーED手法を提案する。 提案するトリガフリーEDモデルは,主流のトリガベースモデルと極めて競合することを示す。
  論文  参考訳（メタデータ） (2022-08-20T11:01:39Z)

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。