論文の概要: Unlocking the Power of Large Language Models for Multi-table Entity Matching

• arxiv url: http://arxiv.org/abs/2604.21238v1
• Date: Thu, 23 Apr 2026 03:13:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.274255
• Title: Unlocking the Power of Large Language Models for Multi-table Entity Matching
• Title（参考訳）: マルチテーブルエンティティマッチングのための大規模言語モデルのパワーを解放する
• Authors: Yingkai Tang, Taoyu Su, Wenyuan Zhang, Xiaoyang Guo, Tingwen Liu,
• Abstract要約: マルチテーブルエンティティマッチング(MEM)は、デュアルテーブルアプローチの限界に対処する。 LLM4MEMと呼ばれるマルチテーブルエンティティマッチングのための新しいフレームワークを提案する。 ベースラインモデルと比較してF1では平均5.1%改善した。
• 参考スコア（独自算出の注目度）: 25.152180469437422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-table entity matching (MEM) addresses the limitations of dual-table approaches by enabling simultaneous identification of equivalent entities across multiple data sources without unique identifiers. However, existing methods relying on pre-trained language models struggle to handle semantic inconsistencies caused by numerical attribute variations. Inspired by the powerful language understanding capabilities of large language models (LLMs), we propose a novel LLM-based framework for multi-table entity matching, termed LLM4MEM. Specifically, we first propose a multi-style prompt-enhanced LLM attribute coordination module to address semantic inconsistencies. Then, to alleviate the matching efficiency problem caused by the surge in the number of entities brought by multiple data sources, we develop a transitive consensus embedding matching module to tackle entity embedding and pre-matching issues. Finally, to address the issue of noisy entities during the matching process, we introduce a density-aware pruning module to optimize the quality of multi-table entity matching. We conducted extensive experiments on 6 MEM datasets, and the results show that our model improves by an average of 5.1% in F1 compared with the baseline model. Our code is available at https://github.com/Ymeki/LLM4MEM.
• Abstract（参考訳）: マルチテーブルエンティティマッチング(MEM)は、単一の識別子なしで複数のデータソースにまたがる等価エンティティの同時識別を可能にすることで、デュアルテーブルアプローチの限界に対処する。 しかし、事前訓練された言語モデルに依存する既存の手法は、数値属性の変動に起因する意味的不整合を扱うのに苦労している。 大規模言語モデル(LLM)の強力な言語理解能力に着想を得て,LLM4MEMと呼ばれるマルチテーブルエンティティマッチングのための新しいLLMベースのフレームワークを提案する。 具体的には、まず、意味的不整合に対処するマルチスタイルのプロンプト強化LDM属性調整モジュールを提案する。 そして、複数のデータソースがもたらすエンティティ数の急増によるマッチング効率の問題を軽減するために、エンティティの埋め込みと事前マッチングに対処する推移的なコンセンサス埋め込みモジュールを開発する。 最後に、マッチングプロセスにおけるノイズの多いエンティティの問題に対処するため、マルチテーブルエンティティマッチングの品質を最適化する密度対応プルーニングモジュールを導入する。 その結果,F1ではベースラインモデルと比較して平均5.1%改善したことがわかった。 私たちのコードはhttps://github.com/Ymeki/LLM4MEM.comで利用可能です。

関連論文リスト

• MuCo: Multi-turn Contrastive Learning for Multimodal Embedding Model [57.89395815934156]
  Multi-Turn Contrastive Learning (MuCo)は、このプロセスを再考する対話にインスパイアされたフレームワークである。 新たな5Mマルチモーダルマルチターンデータセット(M3T)による MuCo の表示実験
  論文  参考訳（メタデータ） (2026-02-06T05:18:33Z)
• Dynamic Collaboration of Multi-Language Models based on Minimal Complete Semantic Units [29.79935180749153]
  本稿では,トークンレベルの多モデル協調による言語モデルの推論能力の向上について検討する。 分散距離に基づく動的選択戦略(DDS)を導入し,マルチモデル協調プロセスを最適化する。
  論文  参考訳（メタデータ） (2025-08-26T07:41:33Z)
• OptMerge: Unifying Multimodal LLM Capabilities and Modalities via Model Merging [124.91183814854126]
  モデルマージは、複数のエキスパートモデルをひとつのモデルに組み合わせようとしている。 本稿ではMLLMのトレーニングと評価のタスクを明確に分割したモデルマージ研究のベンチマークを紹介する。 モデルマージは、トレーニングデータを必要とせずに改善されたMLLMを構築するための有望な方法であることがわかった。
  論文  参考訳（メタデータ） (2025-05-26T12:23:14Z)
• The Unreasonable Effectiveness of Model Merging for Cross-Lingual Transfer in LLMs [45.08958917457921]
  大規模言語モデル(LLM)は、ハイソース言語以外のタスクで依然として苦戦している。 本研究では,タスク固有のポストトレーニングデータが不足している低リソース言語への言語間移動について検討する。
  論文  参考訳（メタデータ） (2025-05-23T20:28:31Z)
• UniMEL: A Unified Framework for Multimodal Entity Linking with Large Language Models [0.42832989850721054]
  MEL(Multimodal Entities Linking)は、ウィキペディアのようなマルチモーダル知識ベースの参照エンティティに、多モーダルコンテキスト内で曖昧な言及をリンクすることを目的とした重要なタスクである。 既存の方法はMELタスクを過度に複雑にし、視覚的意味情報を見渡す。 大規模言語モデルを用いたマルチモーダル・エンティティ・リンクタスクを処理するための新しいパラダイムを確立する統一フレームワークUniMELを提案する。
  論文  参考訳（メタデータ） (2024-07-23T03:58:08Z)
• 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)
• Entity Matching using Large Language Models [3.7277730514654555]
  本稿では, PLM ベースのマーカに代わる, タスク固有の訓練データ依存モデルとして, LLM (Generative Large Language Model) を用いて検討する。 GPT4は一致判定のための構造化された説明を生成でき、一致した誤りの原因を自動的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-10-17T13:12:32Z)
• Generative Multimodal Entity Linking [24.322540112710918]
  MEL(Multimodal Entity Linking)は、知識ベースからの参照エンティティへの参照をマルチモーダルコンテキストでマッピングするタスクである。 既存のMEL法は主に複雑なマルチモーダル相互作用機構の設計に重点を置いており、すべてのモデルパラメータを微調整する必要がある。 大規模言語モデル(LLM)に基づくジェネレーティブマルチモーダルエンティティリンクフレームワークであるGEMELを提案する。 当社のフレームワークは市販の言語モデルと互換性があり、効率的で汎用的なソリューションへの道を開いたものです。
  論文  参考訳（メタデータ） (2023-06-22T07:57:19Z)
• Benchmarking Diverse-Modal Entity Linking with Generative Models [78.93737257356784]
  既存の EL データセットから様々なモード EL (DMEL) のベンチマークを構築した。 DMEL タスクにアプローチするため,マルチモーダルエンコーダ・デコーダのパラダイムに則って生成多モードモデル (GDMM) を提案する。 GDMMは、より強力なDMELベースラインを構築し、平均8.51F1スコアで最先端のタスク固有のELモデルを上回っている。
  論文  参考訳（メタデータ） (2023-05-27T02:38:46Z)

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。