論文の概要: Document-Level Zero-Shot Relation Extraction with Entity Side Information
- arxiv url: http://arxiv.org/abs/2601.07271v1
- Date: Mon, 12 Jan 2026 07:27:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:01.258755
- Title: Document-Level Zero-Shot Relation Extraction with Entity Side Information
- Title（参考訳）: エンティティ側情報を用いた文書レベルゼロショット関係抽出
- Authors: Mohan Raj Chanthran, Soon Lay Ki, Ong Huey Fang, Bhawani Selvaretnam,
- Abstract要約: Document-Level Zero-Shot Relation extract (DocZSRE) は、特定の関係に関する事前の訓練をすることなく、テキスト文書中の見えない関係ラベルを予測することを目的としている。
既存のアプローチは、目に見えないラベルのための合成データを生成するために、Large Language Models (LLMs) に依存している。
本稿では,既存のDocZSREアプローチの制約に対処するため,Entity Side Information (DocZSRE-SI) を用いた文書レベルゼロショット関係抽出手法を提案する。
- 参考スコア（独自算出の注目度）: 0.3499870393443268
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Document-Level Zero-Shot Relation Extraction (DocZSRE) aims to predict unseen relation labels in text documents without prior training on specific relations. Existing approaches rely on Large Language Models (LLMs) to generate synthetic data for unseen labels, which poses challenges for low-resource languages like Malaysian English. These challenges include the incorporation of local linguistic nuances and the risk of factual inaccuracies in LLM-generated data. This paper introduces Document-Level Zero-Shot Relation Extraction with Entity Side Information (DocZSRE-SI) to address limitations in the existing DocZSRE approach. The DocZSRE-SI framework leverages Entity Side Information, such as Entity Mention Descriptions and Entity Mention Hypernyms, to perform ZSRE without depending on LLM-generated synthetic data. The proposed low-complexity model achieves an average improvement of 11.6% in the macro F1-Score compared to baseline models and existing benchmarks. By utilizing Entity Side Information, DocZSRE-SI offers a robust and efficient alternative to error-prone, LLM-based methods, demonstrating significant advancements in handling low-resource languages and linguistic diversity in relation extraction tasks. This research provides a scalable and reliable solution for ZSRE, particularly in contexts like Malaysian English news articles, where traditional LLM-based approaches fall short.
- Abstract（参考訳）: Document-Level Zero-Shot Relation extract (DocZSRE) は、特定の関係に関する事前の訓練をすることなく、テキスト文書中の見えない関係ラベルを予測することを目的としている。
既存のアプローチは、目に見えないラベルのための合成データを生成するためにLarge Language Models (LLMs) に依存しており、マレーシア英語のような低リソース言語には課題がある。
これらの課題には、局所言語ニュアンスの導入や、LLM生成データにおける事実的不正確なリスクが含まれる。
本稿では,既存のDocZSREアプローチの制約に対処するため,Entity Side Information (DocZSRE-SI) を用いた文書レベルゼロショット関係抽出手法を提案する。
DocZSRE-SIフレームワークは、Entity Mention DescriptionsやEntity Mention HypernymsなどのEntity Side Informationを活用して、LLM生成合成データに依存することなくZSREを実行する。
提案した低複雑さモデルでは,ベースラインモデルや既存のベンチマークと比較して,マクロF1スコアの平均11.6%の改善が達成されている。
Entity Side Informationを利用することで、DocZSRE-SIはエラーを起こしやすいLLMベースの手法に頑健で効率的な代替手段を提供する。
この研究は、特にマレーシアのLLMベースのアプローチが不足しているマレーシア英語ニュース記事のような文脈において、ZSREにスケーラブルで信頼性の高いソリューションを提供する。
関連論文リスト
- Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。
AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。
結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
論文 参考訳（メタデータ） (2025-07-22T06:37:51Z) - IDA-Bench: Evaluating LLMs on Interactive Guided Data Analysis [60.32962597618861]
IDA-Benchは、多ラウンドの対話シナリオで大規模言語モデルを評価する新しいベンチマークである。
エージェント性能は、最終的な数値出力と人間由来のベースラインを比較して判断する。
最先端のコーディングエージェント(Claude-3.7-thinkingなど)でさえ50%のタスクを成功させ、シングルターンテストでは明らかでない制限を強調している。
論文 参考訳（メタデータ） (2025-05-23T09:37:52Z) - LLM with Relation Classifier for Document-Level Relation Extraction [25.587850398830252]
大規模言語モデル(LLM)は、自然言語処理のための新しいパラダイムを生み出した。
本稿では,この性能ギャップの原因を解明し,関係のないエンティティペアによるLCMによる注意の分散を重要要因とする。
論文 参考訳（メタデータ） (2024-08-25T16:43:19Z) - Unlocking the Potential of Model Merging for Low-Resource Languages [66.7716891808697]
大規模言語モデルを新しい言語に適応させるには、通常、継続事前訓練(CT)と、教師付き微調整(SFT)が含まれる。
我々は低リソース言語の代替としてモデルマージを提案し、異なる機能を持つモデルを追加トレーニングなしで単一のモデルに組み合わせる。
Llama-2-7Bをベースとした実験により、モデルマージはタスク解決能力の低い低リソース言語に対して、極めて少ないデータを持つシナリオにおいて、CT-then-SFTよりも優れていることが実証された。
論文 参考訳（メタデータ） (2024-07-04T15:14:17Z) - A Context-Aware Approach for Enhancing Data Imputation with Pre-trained Language Models [0.18416014644193068]
CRILMは、事前訓練された言語モデルを使用して、不足する値に対してコンテキストに関連のある記述子を作成する。
本評価は,MCAR,MAR,MNARシナリオにおけるCRILMの優れた性能とロバスト性を示す。
論文 参考訳（メタデータ） (2024-05-28T00:08:29Z) - Grasping the Essentials: Tailoring Large Language Models for Zero-Shot Relation Extraction [33.528688487954454]
関係抽出(RE)は、テキスト内のエンティティ間の意味的関係を識別することを目的としている。
アノテーションの要求を減らすことを目的とした、ほとんどショットの学習は、通常、ターゲット関係に対する不完全で偏見のある監視を提供する。
1)大言語モデル(LLM)を利用して,関係定義とラベルなしコーパスから初期シードインスタンスを生成する。
論文 参考訳（メタデータ） (2024-02-17T00:20:06Z) - Semi-automatic Data Enhancement for Document-Level Relation Extraction
with Distant Supervision from Large Language Models [26.523153535336725]
ドキュメントレベルの関係抽出(DocRE)は、長いコンテキストから関係を抽出することを目的としている。
本稿では,大規模言語モデル (LLM) と自然言語推論 (NLI) モジュールを統合する手法を提案する。
DocGNREと呼ばれる拡張データセットを導入することで,提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-11-13T13:10:44Z) - Revisiting Large Language Models as Zero-shot Relation Extractors [8.953462875381888]
リレーショナル抽出(RE)は、ゼロショット設定下であっても、一定のラベル付きまたはラベルなしのデータを一貫して含む。
近年の研究では、大きな言語モデル(LLM)が、単に自然言語のプロンプトを与えられただけで、新しいタスクにうまく移行していることが示されている。
本研究はゼロショット関係抽出器としてLLMを探索することに焦点を当てる。
論文 参考訳（メタデータ） (2023-10-08T06:17:39Z)
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。