論文の概要: SAM-NER: Semantic Archetype Mediation for Zero-Shot Named Entity Recognition

• arxiv url: http://arxiv.org/abs/2605.03706v1
• Date: Tue, 05 May 2026 12:54:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.935582
• Title: SAM-NER: Semantic Archetype Mediation for Zero-Shot Named Entity Recognition
• Title（参考訳）: SAM-NER:ゼロショット名前付きエンティティ認識のための意味的アーチタイプメディエーション
• Authors: Ruichu Cai, Juntao Gan, Miao Mai, Zhifeng Hao, Boyan Xu,
• Abstract要約: emphSemantic Archetype Mediationは中間的、領域不変なアーキタイプ空間を介してクロスドメイン転送を安定化する。 SAM-NERは、クロスドメイン設定でZS-NERベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 50.82878172248818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-shot Named Entity Recognition (ZS-NER) remains brittle under domain and schema shifts, where unseen label definitions often misalign with a large language model's (LLM's) intrinsic semantic organization. As a result, directly mapping entity mentions to fine-grained target labels can induce systematic semantic drift, especially when target schemas are novel or semantically overlapping. We propose \textbf{SAM-NER}, a three-stage framework based on \emph{Semantic Archetype Mediation} that stabilizes cross-domain transfer through an intermediate, domain-invariant archetype space. SAM-NER: (i) performs \emph{Entity Discovery} via cooperative extraction and consensus-based denoising to obtain high-coverage, high-fidelity entity spans; (ii) conducts \emph{Abstract Mediation} by projecting entities into a compact set of universal semantic archetypes distilled from high-level ontological abstractions; and (iii) applies \emph{Semantic Calibration} to resolve archetype-level predictions into target-domain types through constrained, definition-aligned inference with a frozen LLM. Experiments on the CrossNER benchmark show that SAM-NER consistently outperforms strong prior ZS-NER baselines in cross-domain settings. Our implementation will be open-sourced at https://github.com/DMIRLAB-Group/SAM-NER.
• Abstract（参考訳）: Zero-shot Named Entity Recognition (ZS-NER) はドメインやスキーマのシフトの下でも不安定であり、未確認のラベル定義は大きな言語モデル(LLM)固有のセマンティック組織と誤解されることが多い。 結果として、詳細なターゲットラベルに言及するエンティティを直接マッピングすることで、特にターゲットスキーマが新規あるいはセマンティックオーバーラップしている場合、システマティックなセマンティックドリフトを誘導することができる。 本稿では,中間的領域不変なアーキタイプ空間を経由したクロスドメイン転送を安定化する, \emph{Semantic Archetype Mediation} に基づく3段階フレームワークである \textbf{SAM-NER} を提案する。 SAM-NER 一 共同抽出及びコンセンサスに基づく聴取により、高包括かつ高忠実な実体スパンを得る。 (ii)ハイレベルな存在論的抽象から抽出した普遍的意味論的アーキタイプのコンパクトな集合に実体を投影することにより「emph{Abstract Mediation}」を行う。 (iii) 凍結LDMによる制約付き定義整合推論により、古型レベルの予測をターゲットドメインタイプに分解するために、emph{Semantic Calibration}を適用した。 CrossNERベンチマークの実験では、SAM-NERはクロスドメイン設定において強力なZS-NERベースラインを一貫して上回っている。 我々の実装はhttps://github.com/DMIRLAB-Group/SAM-NERでオープンソース化されます。

関連論文リスト

• Target Semantics Clustering via Text Representations for Robust Universal Domain Adaptation [37.61604558855609]
  Universal Domain Adaptation (UniDA)は、ドメインシフトと未知のカテゴリシフトの両方の下で、ソースドメインの知識をターゲットドメインに転送することに焦点を当てている。 現在の手法では、制約のない連続画像表現空間からターゲット領域意味論センターを得るのが一般的である。 本稿では,視覚言語モデルに基づく意味的意味的かつ離散的なテキスト表現空間のセマンティックセンターを探索する。
  論文  参考訳（メタデータ） (2025-06-04T03:11:53Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• Regularizing Self-training for Unsupervised Domain Adaptation via Structural Constraints [14.593782939242121]
  本稿では,従来の自己学習目標を正規化するために,奥行きなどの補助的モーダルから構造的手がかりを取り入れることを提案する。 具体的には、オブジェクトインスタンスの近い領域内でピクセル表現をプルする、対照的なピクセルレベルのオブジェクト性制約を導入する。 セマンティックセグメンテーションのための様々な UDA ベンチマークにおいて,正則化器は最上位の自己学習手法を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-04-29T00:12:26Z)
• Optimizing Bi-Encoder for Named Entity Recognition via Contrastive Learning [80.36076044023581]
  名前付きエンティティ認識(NER)のための効率的なバイエンコーダフレームワークを提案する。 我々はNERを、エンティティ参照のベクトル表現とその型との類似性を最大化する計量学習問題とみなす。 NERのこのバイエンコーダの定式化における大きな課題は、エンティティの言及から非エンゲージスを分離することにある。
  論文  参考訳（メタデータ） (2022-08-30T23:19:04Z)
• Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
  半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。 この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-19T16:07:32Z)
• Simultaneous Semantic Alignment Network for Heterogeneous Domain Adaptation [67.37606333193357]
  本稿では,カテゴリ間の相関を同時に利用し,各カテゴリ毎のセントロイドを整列させるために,aSimultaneous Semantic Alignment Network (SSAN)を提案する。 対象の擬似ラベルを利用することで、各カテゴリの特徴表現を整列させるために、ロバストな三重項中心のアライメント機構を明示的に適用する。 テキスト・ツー・イメージ、画像・画像・テキスト・ツー・テキストにわたる様々なHDAタスクの実験は、最先端のHDA手法に対するSSANの優位性を検証することに成功した。
  論文  参考訳（メタデータ） (2020-08-04T16:20:37Z)

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。