論文の概要: Keyword-Centric Prompting for One-Shot Event Detection with Self-Generated Rationale Enhancements

• arxiv url: http://arxiv.org/abs/2508.07598v1
• Date: Mon, 11 Aug 2025 03:58:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.937532
• Title: Keyword-Centric Prompting for One-Shot Event Detection with Self-Generated Rationale Enhancements
• Title（参考訳）: 自己生成Rationale拡張を用いたワンショットイベント検出のためのキーワード中心プロンプト
• Authors: Ziheng Li, Zhi-Hong Deng,
• Abstract要約: KeyCP++はキーワード中心のチェーンプロンプトアプローチである。 入力テキストと検出結果の論理的ギャップを自動的にアノテートすることで、従来のICLの弱点に対処する。
• 参考スコア（独自算出の注目度）: 22.985876927443183
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although the LLM-based in-context learning (ICL) paradigm has demonstrated considerable success across various natural language processing tasks, it encounters challenges in event detection. This is because LLMs lack an accurate understanding of event triggers and tend to make over-interpretation, which cannot be effectively corrected through in-context examples alone. In this paper, we focus on the most challenging one-shot setting and propose KeyCP++, a keyword-centric chain-of-thought prompting approach. KeyCP++ addresses the weaknesses of conventional ICL by automatically annotating the logical gaps between input text and detection results for the demonstrations. Specifically, to generate in-depth and meaningful rationale, KeyCP++ constructs a trigger discrimination prompting template. It incorporates the exemplary triggers (a.k.a keywords) into the prompt as the anchor to simply trigger profiling, let LLM propose candidate triggers, and justify each candidate. These propose-and-judge rationales help LLMs mitigate over-reliance on the keywords and promote detection rule learning. Extensive experiments demonstrate the effectiveness of our approach, showcasing significant advancements in one-shot event detection.
• Abstract（参考訳）: LLM-based in-context learning (ICL) パラダイムは、様々な自然言語処理タスクでかなりの成功を収めてきたが、イベント検出の課題に直面している。 これは、LLMがイベントトリガの正確な理解に欠けており、コンテキスト内例だけでは効果的に修正できないオーバー解釈を行う傾向があるためである。 本稿では,最も難しいワンショット設定に注目し,キーワード中心のチェーン・オブ・シークレット・プロンプトアプローチであるKeyCP++を提案する。 KeyCP++は、入力テキストとデモ検出結果の間の論理的ギャップを自動的に注釈付けすることで、従来のICLの弱点に対処する。 具体的には、深く意味のある合理性を生成するために、KeyCP++はトリガー判別プロンプトテンプレートを構築している。 例示的なトリガー(a.k.aキーワード)をプロンプトに組み込んで、単にプロファイリングをトリガーし、LSMが候補トリガーを提案し、各候補を正当化する。 これらの提案と判断の合理性は、LLMがキーワードの過剰依存を軽減し、検出規則学習を促進するのに役立つ。 広汎な実験により,一発事象検出の大幅な進歩が示され,本手法の有効性が示された。

関連論文リスト

• Zero-Shot Keyphrase Generation: Investigating Specialized Instructions and Multi-Sample Aggregation on Large Language Models [52.829293635314194]
  キーフレーズ生成(英: Keyphrase generation)とは、ある文書のキーフレーズを自動的に生成する、長期にわたるNLPタスクである。 本稿では,オープンソースの命令調整型LDM (Phi-3, Llama-3) のゼロショット機能と,このタスクのためのクローズドソース GPT-4o に着目した。
  論文  参考訳（メタデータ） (2025-03-01T19:38:57Z)
• 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)
• Rectifying Demonstration Shortcut in In-Context Learning [15.08431909212102]
  大規模言語モデル(LLM)は、ICL(In-context Learning)能力を利用したいくつかのデモで、様々なタスクを解くことができる。 LLMは、ICL予測を進めるために、インプット-ラベル関係よりも、事前に訓練されたデモのセマンティック先行に頼っていることが多い。
  論文  参考訳（メタデータ） (2024-03-14T15:30:14Z)
• Token-Level Adversarial Prompt Detection Based on Perplexity Measures and Contextual Information [67.78183175605761]
  大規模言語モデルは、敵の迅速な攻撃に影響を受けやすい。 この脆弱性は、LLMの堅牢性と信頼性に関する重要な懸念を浮き彫りにしている。 トークンレベルで敵のプロンプトを検出するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-20T03:17:21Z)
• Hijacking Large Language Models via Adversarial In-Context Learning [10.416972293173993]
  In-context Learning (ICL) は、ラベル付き例を事前条件付きプロンプトのデモ(デム)として活用することで、特定の下流タスクにLLMを活用する強力なパラダイムとして登場した。 既存の攻撃は検出しやすく、ユーザーの入力にトリガーを必要とするか、ICLに対する特異性を欠いている。 本研究は、ILCに対する新規なトランスファー可能なプロンプトインジェクション攻撃を導入し、LSMをハイジャックしてターゲット出力を生成したり、有害な応答を誘発する。
  論文  参考訳（メタデータ） (2023-11-16T15:01:48Z)
• Re-Reading Improves Reasoning in Large Language Models [87.46256176508376]
  既成のLarge Language Models (LLM) の推論能力を高めるため, 単純で汎用的で効果的なプロンプト手法であるRe2を導入する。 CoT (Chain-of-Thought) など、ほとんどの思考を刺激する手法とは異なり、Re2 は質問を2回処理することで入力に焦点を移し、理解プロセスを強化する。 提案手法の有効性と汎用性を検証するため,14のデータセットにまたがる広範囲な推論ベンチマークでRe2を評価した。
  論文  参考訳（メタデータ） (2023-09-12T14:36:23Z)
• Neuro-Symbolic Causal Language Planning with Commonsense Prompting [67.06667162430118]
  言語プランニングは、より単純な低レベルステップに分解することで、複雑な高レベルな目標を実装することを目的としている。 以前の手法では、大規模な言語モデルからそのような能力を得るために、手動の例えか注釈付きプログラムが必要である。 本稿では,LLMからの手続き的知識をコモンセンス・インフュージョン・プロンプトにより引き起こすニューロシンボリック因果言語プランナー(CLAP)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T22:09:52Z)

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。