論文の概要: Harnessing Rule-Based Reinforcement Learning for Enhanced Grammatical Error Correction

• arxiv url: http://arxiv.org/abs/2508.18780v1
• Date: Tue, 26 Aug 2025 08:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.742306
• Title: Harnessing Rule-Based Reinforcement Learning for Enhanced Grammatical Error Correction
• Title（参考訳）: 文法的誤り訂正のためのハラスティング規則に基づく強化学習
• Authors: Yilin Li, Xunjian Yin, Yilin Chen, Xiaojun Wan,
• Abstract要約: 文法的誤り訂正はNLPにおいて重要な課題である。 本稿ではルールベースRLに基づく新しいフレームワークを提案する。 このフレームワークは,textbfrecallの顕著な増加とともに,Textbfrestate-of-the-art Performanceを実現していることを示す。
• 参考スコア（独自算出の注目度）: 42.61179110228965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Grammatical error correction is a significant task in NLP. Traditional methods based on encoder-decoder models have achieved certain success, but the application of LLMs in this field is still underexplored. Current research predominantly relies on supervised fine-tuning to train LLMs to directly generate the corrected sentence, which limits the model's powerful reasoning ability. To address this limitation, we propose a novel framework based on Rule-Based RL. Through experiments on the Chinese datasets, our Rule-Based RL framework achieves \textbf{state-of-the-art }performance, with a notable increase in \textbf{recall}. This result clearly highlights the advantages of using RL to steer LLMs, offering a more controllable and reliable paradigm for future development in GEC.
• Abstract（参考訳）: 文法的誤り訂正はNLPにおいて重要な課題である。 エンコーダ・デコーダモデルに基づく従来の手法は一定の成功を収めてきたが、この分野でのLLMの適用はいまだに未検討である。 現在の研究は主に、モデルの強力な推論能力を制限する修正文を直接生成するLLMを訓練するための教師付き微調整に依存している。 この制限に対処するため,ルールベースRLに基づく新しいフレームワークを提案する。 中国のデータセットに関する実験を通じて、我々のルールベースRLフレームワークは、‘textbf{state-of-the-art }パフォーマンスを達成し、‘textbf{recall}’が顕著に増加した。 この結果は、LCMを操縦するためにRLを使用することの利点を明確に示し、将来のGEC開発においてより制御可能で信頼性の高いパラダイムを提供する。

関連論文リスト

• Revisiting LLM Reasoning via Information Bottleneck [57.519119962528166]
  大規模言語モデル(LLM)は、最近、検証可能な報酬付き強化学習(RLVR)を通じて推論能力の顕著な進歩を示した。 本稿では,情報ボトルネック(IB)の原理に基づくLLM推論の理論的特徴について述べる。 IB対応推論最適化(IBRO)を提案する。
  論文  参考訳（メタデータ） (2025-07-24T13:14:25Z)
• CEC-Zero: Chinese Error Correction Solution Based on LLM [0.0]
  大規模言語モデル(LLM)の最近の進歩は、例外的な中国語テキスト処理能力を示している。 本稿では,LLMを自己修正できる新しい強化学習フレームワークであるCEC-Zeroを提案する。 実験により、RL強化LLMは産業で実現可能な精度と優れたクロスドメイン一般化を実現することが示された。
  論文  参考訳（メタデータ） (2025-05-14T02:35:47Z)
• LLM-Lasso: A Robust Framework for Domain-Informed Feature Selection and Regularization [59.75242204923353]
  LLM-Lassoは大規模言語モデル(LLM)を利用してラッソ回帰における特徴選択を導くフレームワークである。 LLMは各特徴に対してペナルティ因子を生成し、単純でチューニング可能なモデルを用いてラスソペナルティの重みに変換される。 LLMによりより関連づけられた特徴は、より低い罰を受け、最終モデルに保持される可能性を高める。
  論文  参考訳（メタデータ） (2025-02-15T02:55:22Z)
• RLSF: Fine-tuning LLMs via Symbolic Feedback [11.407319705797242]
  大規模言語モデル(LLM)はAIを変えてきたが、ドメイン固有の推論と論理的アライメントを必要とするタスクにしばしば苦労している。 従来の微調整手法は、私たちにとって利用可能な膨大な量の記号的ドメイン知識を活用できない。 本稿では,新しい微調整パラダイムであるシンボリックフィードバック(RLSF)による強化学習を紹介する。
  論文  参考訳（メタデータ） (2024-05-26T18:49:59Z)
• Causal Prompting: Debiasing Large Language Model Prompting based on Front-Door Adjustment [32.12998469814097]
  大規模言語モデル(LLM)のバイアスを効果的に軽減するために,正面調整に基づく新たな因果的プロンプト手法を提案する。 実験結果から,提案手法は7つの自然言語処理データセットにおいて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-03-05T07:47:34Z)
• How Can LLM Guide RL? A Value-Based Approach [68.55316627400683]
  強化学習(Reinforcement Learning, RL)は、将来の行動方針をフィードバックで改善することにより、シーケンシャルな意思決定問題の事実上の標準的実践となった。 大規模言語モデル(LLM)の最近の発展は、言語理解と生成において印象的な能力を示したが、探索と自己改善能力に欠けていた。 我々はLINVITというアルゴリズムを開発し、LLMガイダンスを値ベースRLの正規化因子として組み込んで学習に必要なデータ量を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-25T20:07:13Z)

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。