論文の概要: Revisiting Semantic Role Labeling: Efficient Structured Inference with Dependency-Informed Analysis

• arxiv url: http://arxiv.org/abs/2605.02505v1
• Date: Mon, 04 May 2026 11:57:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.272943
• Title: Revisiting Semantic Role Labeling: Efficient Structured Inference with Dependency-Informed Analysis
• Title（参考訳）: セマンティック・ロール・ラベルの再検討:依存性インフォームド分析による効率的な構造推論
• Authors: Sangpil Youm, Leah Jones, Bonnie J. Dorr,
• Abstract要約: 我々はSRLモデリングを再考し、推論を10倍速くし、明示的な述語論構造を保ちつつ、拡張エンコーダベースのフレームワークを導入する。 BERTベースのモデルでは、同じ予測性能が得られ、RoBERTaとDeBERTaは、同じフレームワーク内のF1パフォーマンスをさらに改善する。
• 参考スコア（独自算出の注目度）: 3.5111161561666084
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic Role Labeling (SRL) provides an explicit representation of predicate-argument structure, capturing linguistically grounded relations such as who did what to whom. While recent NLP progress has been dominated by large language models (LLMs), these systems often rely on implicit semantic representations, often lacking explicit structural constraints and systematic explanatory mechanisms. Traditionally, SRL systems have often relied on AllenNLP; however, the framework entered maintenance mode in December 2022, limiting compatibility with evolving encoder architectures and modern inference requirements. We revisit structured SRL modeling, introducing a modernized encoder-based framework that preserves explicit predicate-argument structure while enabling inference 10 times faster. Using BERT-base, the model attains comparable predictive performance, and RoBERTa and DeBERTa further improve F1 performance within the same framework. We adopt a dependency-informed diagnostic methodology to characterize span-level inconsistencies and conduct a representation-level analysis of LLM behavior under dependency-informed structural signals. Results indicate that dependency cues primarily improve structural stability. Finally, we illustrate how the framework's explicit predicate-argument structure can support multilingual SRL projection as a downstream application.
• Abstract（参考訳）: セマンティック・ロール・ラベルリング(SRL)は、誰が誰に何をしたかといった言語的に根ざした関係を捉え、述語論の構造を明確に表現する。 最近のNLPの進歩は大規模言語モデル(LLM)に支配されているが、これらのシステムはしばしば暗黙的な意味表現に依存しており、明示的な構造的制約や体系的な説明機構が欠如している。 伝統的に、SRLシステムはしばしばAllenNLPに依存していたが、2022年12月にメンテナンスモードに移行し、進化するエンコーダアーキテクチャと現代的な推論要求との互換性を制限した。 我々はSRLモデリングを再考し、推論を10倍高速にし、明示的な述語論構造を保ちつつ、拡張エンコーダベースのフレームワークを導入する。 BERTベースのモデルでは、同じ予測性能が得られ、RoBERTaとDeBERTaは、同じフレームワーク内のF1パフォーマンスをさらに改善する。 従属型診断手法を採用し,従属型構造信号下でのLCMの挙動の表現レベル解析を行う。 その結果, 依存性は構造安定性を向上することが示唆された。 最後に、このフレームワークの明示的な述語論構造が、下流アプリケーションとして多言語SRLプロジェクションをどのようにサポートするかを説明する。

関連論文リスト

• ASTRA: Adaptive Semantic Tree Reasoning Architecture for Complex Table Question Answering [55.55968342644846]
  テーブルのシリアライゼーションは、複雑なテーブル質問応答において、LLM(Large Language Models)にとって重要なボトルネックであり続けている。 既存のシリアライゼーションメソッドは明示的な階層をキャプチャできず、スキーマの柔軟性が欠如している。 本稿では,AdaSTRとDuTRの2つの主要モジュールを含むASTRA(Adaptive Semantic Tree Reasoning Architecture)を提案する。 複雑なテーブルベンチマーク実験により,本手法がSOTA(State-of-the-art)性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-10T06:09:41Z)
• LSRIF: Logic-Structured Reinforcement Learning for Instruction Following [56.517329105764475]
  命令論理を明示的にモデル化するロジック構造化学習フレームワーク LSRIF を提案する。 実験の結果、LSRIFは命令追従と一般的な推論に大きな改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-01-10T05:11:38Z)
• CoT Referring: Improving Referring Expression Tasks with Grounded Reasoning [67.18702329644526]
  CoT Referringは、構造化されたチェーン・オブ・シークレット・トレーニングデータ構造を通じて、モデル推論をモダリティにわたって強化する。 トレーニングデータを再構築して、新たな出力フォームを実行し、既存のデータセットに新たなアノテーションを提供します。 また、検出とセグメント化機能を統合MLLMフレームワークに統合し、新しい適応重み付き損失で学習して性能を最適化する。
  論文  参考訳（メタデータ） (2025-10-03T08:50:21Z)
• Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams [54.528185120850274]
  本稿では,API2Depという新しいステップバイステップコード生成フレームワークを提案する。 まず、サービス指向アーキテクチャに適した拡張Unified Modeling Language (UML) APIダイアグラムを紹介します。 次に、データフローの重要な役割を認識し、専用のデータ依存推論タスクを導入する。
  論文  参考訳（メタデータ） (2025-08-05T12:28:23Z)
• Hierarchical Contextual Manifold Alignment for Structuring Latent Representations in Large Language Models [7.798982346197703]
  潜在トークン表現の組織化は、言語モデルの安定性、一般化、文脈整合性を決定する上で重要な役割を果たす。 コアモデル重みを変化させることなくトークン埋め込みに階層的アライメント手法を導入した。 実験により, 希少なトークン検索, 逆方向, 長距離依存性追跡の改善が示された。
  論文  参考訳（メタデータ） (2025-02-06T04:01:27Z)
• Contextually Structured Token Dependency Encoding for Large Language Models [0.0]
  自己注意機構は動的文脈依存を捉えるが、学習した重み分布への依存は、生成配列における長距離階層構造の保存を制限する。 依存性を意識したトークンエンコーディングでは,トークン表現内にリレーショナル制約を埋め込むという,構造化されたアプローチが導入されている。 経験的評価は、多種多様な言語ベンチマークにおけるパープレキシティの低下を示し、自己回帰テキスト生成における文脈的一貫性と予測一貫性の改善を示唆している。
  論文  参考訳（メタデータ） (2025-01-30T08:51:48Z)
• Autoregressive Structured Prediction with Language Models [73.11519625765301]
  本稿では, PLM を用いた自己回帰的手法を用いて, モデル構造を行動列として記述する。 我々のアプローチは、私たちが見てきた全ての構造化予測タスクにおいて、新しい最先端を実現する。
  論文  参考訳（メタデータ） (2022-10-26T13:27:26Z)

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。