論文の概要: BeLink: Biomedical Entity Linking Meets Generative Re-Ranking

• arxiv url: http://arxiv.org/abs/2605.22501v1
• Date: Thu, 21 May 2026 13:52:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.284045
• Title: BeLink: Biomedical Entity Linking Meets Generative Re-Ranking
• Title（参考訳）: BeLink: バイオメディカルエンティティリンクは、ジェネレーティブなリランキングと出会う
• Authors: Darya Shlyk, Stefano Montanelli, Lawrence Hunter,
• Abstract要約: バイオメディカル・エンティティ・リンク(BEL)パイプラインの上位段階に応用した場合,オープンソースの生成モデルの命令チューニングが有効なソリューションとなることを実証する。 提案手法は,複数のBELベンチマークにおいて高い性能を示し,リンク精度(3%-24%)が向上し,最先端技術と比較して推論時間が短縮された。 実世界のBELアプリケーション向けに設計された,モジュール型のエンドツーエンドシステムであるBeLinkに,生成的再ランカを統合した。
• 参考スコア（独自算出の注目度）: 3.791495667729823
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite recent progress, Biomedical Entity Linking (BEL) with large language models (LLMs) remains computationally inefficient and challenging to deploy in practical settings. In this work, we demonstrate that instruction-tuning of open-source generative models can offer an effective solution when applied at the re-ranking stage of the BEL pipeline. We propose a set-wise instruction-tuning formulation that enables fast and accurate candidate selection. Our method demonstrates strong performance on multiple BEL benchmarks, yielding significant improvements in linking accuracy (3%-24%) while reducing inference time compared to the state-of-the-art. We integrate our generative re-ranker into BeLink, a modular, end-to-end system designed for practical real-world BEL applications.
• Abstract（参考訳）: 近年の進歩にもかかわらず、大規模言語モデル(LLM)を用いたバイオメディカルエンティティリンク(BEL)は、計算的に非効率であり、実用的な環境でのデプロイは困難である。 本研究では,オープンソースの生成モデルの命令チューニングが,BELパイプラインの再ランク付け段階に適用した場合に有効であることを示す。 本稿では,高速かつ正確な候補選択が可能なセットワイズ命令調整式を提案する。 提案手法は,複数のBELベンチマークにおいて高い性能を示し,リンク精度(3%-24%)が向上し,最先端技術と比較して推論時間が短縮された。 実世界のBELアプリケーション向けに設計された,モジュール型のエンドツーエンドシステムであるBeLinkに,生成的再ランカを統合した。

関連論文リスト

• Beyond Static Best-of-N: Bayesian List-wise Alignment for LLM-based Recommendation [23.95623437107717]
  大規模言語モデルは、ユーザ好みをモデル化するための生成機能を活用することで、レコメンデーションシステム(LLM4Rec)に革命をもたらした。 既存のLLM4Recメソッドはトークンレベルの目的に依存しており、実際のレコメンデーション品質を定義するリストレベルと非微分可能なメトリクスを最適化することは困難である。 我々はこれらの課題を克服するためにBLADE (Bayesian List-wise Alignment via Dynamic Estimation)を提案する。
  論文  参考訳（メタデータ） (2026-05-06T07:02:57Z)
• V-GRPO: Online Reinforcement Learning for Denoising Generative Models Is Easier than You Think [90.69263509098948]
  本稿では,ELBOをベースとしたサロゲートとグループ相対ポリシー最適化アルゴリズムを統合した変分GRPOを提案する。 V-GRPOはテキストと画像の合成において最先端のパフォーマンスを実現し、MixGRPOよりも2倍のスピードアップ、DiffusionNFTより3倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-04-25T17:03:21Z)
• Le MuMo JEPA: Multi-Modal Self-Supervised Representation Learning with Learnable Fusion Tokens [9.265268404838928]
  本稿では,RGB画像から統一表現を学習する自己教師型フレームワークであるLe MuMo JEPAを紹介する。 我々のアプローチは、モダリティ固有のパッチステム間の遅延ボトルネックとして機能する融合トークンを学習することで、LeJEPAをマルチモーダル設定に拡張する。
  論文  参考訳（メタデータ） (2026-03-25T14:09:59Z)
• Towards Self-Robust LLMs: Intrinsic Prompt Noise Resistance via CoIPO [38.36870540583669]
  大規模言語モデル(LLM)は、広範囲のタスクで顕著かつ着実にパフォーマンスを改善している。 現実世界のアプリケーションでは、LLMに提供されるユーザープロンプトは、しばしば不完全であり、モデルの応答の質を損なう可能性がある。 本稿では,モデルが生成するラベル整列ロジットとノイズの相違を最小限に抑えるコントラスト学習に基づく逆直接選好最適化(CoIPO)手法を提案する。
  論文  参考訳（メタデータ） (2026-02-09T13:24:50Z)
• AceGRPO: Adaptive Curriculum Enhanced Group Relative Policy Optimization for Autonomous Machine Learning Engineering [52.67783579040657]
  AceGRPOは、エージェントの学習フロンティアにおけるタスクを優先順位付けして学習効率を最大化する機械学習システムである。 我々のトレーニングされたAce-30Bモデルは、MLE-Bench-Lite上で100%有効な応募率を実現し、プロプライエタリなフロンティアモデルの性能にアプローチし、より大きなオープンソースベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-02-08T10:55:03Z)
• DiRL: An Efficient Post-Training Framework for Diffusion Language Models [54.405206032785706]
  Diffusion Language Models (dLLMs) はAuto-Regressive(AR)モデルに代わる有望な代替品として登場した。 既存の手法は、訓練と推論の間の計算の非効率性と客観的なミスマッチに悩まされている。 我々は,FlexAttention-accelerated blockwise trainingとLMDeploy-timized inferenceを密接に統合した,効率的なポストトレーニングフレームワークであるDiRLを紹介した。
  論文  参考訳（メタデータ） (2025-12-23T08:33:19Z)
• Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model [71.45491434257106]
  Unified Generative Recommendation Framework (UniGRF)は、検索とランキングを単一の生成モデルに統合する新しいアプローチである。 ステージ間コラボレーションを強化するため、UniGRFはランキング駆動エンハンサーモジュールを導入した。 UniGRFは、ベンチマークデータセット上で既存のモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-04-23T06:43:54Z)
• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)
• Large Language Models to Enhance Bayesian Optimization [57.474613739645605]
  本稿では,大規模言語モデル(LLM)の能力をベイズ最適化に組み込む新しいアプローチであるLLAMBOを提案する。 高いレベルでは、自然言語のBO問題を枠組み化し、LLMが歴史的評価に照らした有望な解を反復的に提案し、評価することを可能にする。 以上の結果から,LLAMBOはゼロショットウォームスタートに有効であり,サロゲートモデリングや候補サンプリングの促進,特に観察が不十分な場合の探索の初期段階において有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-02-06T11:44:06Z)

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。