論文の概要: LELA: An End-to-end LLM-based Entity Linking Framework with Zero-shot Domain Adaptation

• arxiv url: http://arxiv.org/abs/2605.26956v1
• Date: Tue, 26 May 2026 12:45:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.160943
• Title: LELA: An End-to-end LLM-based Entity Linking Framework with Zero-shot Domain Adaptation
• Title（参考訳）: LELA: ゼロショットドメイン適応を備えたエンドツーエンドのLCMベースのエンティティリンクフレームワーク
• Authors: Samy Haffoudhi, Nikola Dobričić, Fabian Suchanek, Nils Holzenberger,
• Abstract要約: 本稿では、ゼロショット名前付きエンティティ認識(NER)を統合した実用的なPythonライブラリにLELAを拡張した。 多様なエンティティリンク設定におけるLELAの性能とロバスト性を検証した実験結果を提供する。 私たちのデモでは、ユーザは自分の入力テキストでシステムと遊べます。
• 参考スコア（独自算出の注目度）: 3.8449738927037207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entity linking is a key component of many downstream NLP systems, yet existing approaches are often tied to the specific target knowledge bases and domains, limiting their real world application. In this paper, we extend LELA, a modular and domain-agnostic LLM-based entity disambiguation method, into a practical Python library that integrates zero-shot Named Entity Recognition (NER) -thereby providing a complete end-toend pipeline for entity-linking in real-world usage. We provide experimental results validating LELA's performance and robustness across diverse entity linking settings. In our demo, users can play with the system on their own input texts.
• Abstract（参考訳）: エンティティリンクは多くの下流のNLPシステムの主要なコンポーネントであるが、既存のアプローチはしばしば特定のターゲットの知識ベースとドメインに結び付けられ、実際のアプリケーションを制限する。 本稿では,モジュール型かつドメインに依存しないLCMに基づくエンティティ曖昧化手法であるLELAを,ゼロショット名前付きエンティティ認識(NER)を統合した実用的なPythonライブラリに拡張する。 多様なエンティティリンク設定におけるLELAの性能とロバスト性を検証した実験結果を提供する。 私たちのデモでは、ユーザは自分の入力テキストでシステムと遊べます。

関連論文リスト

• LELA: an LLM-based Entity Linking Approach with Zero-Shot Domain Adaptation [12.509786917611125]
  我々の手法であるLELAは,大規模言語モデル(LLM)の能力を生かしたモジュラー・粗大なアプローチである。 各種エンティティリンク設定に対する実験により,LELAは細調整アプローチと高い競争力を示し,非微調整手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-01-08T18:15:34Z)
• Harnessing Deep LLM Participation for Robust Entity Linking [14.079957943961276]
  DeepELは大規模言語モデル(LLM)をエンティティリンクタスクのすべてのステージに組み込む包括的なフレームワークです。 この制限に対処するために,グローバルな文脈情報を利用する新しい自己検証機構を提案する。 10のベンチマークデータセットにわたる大規模な経験的評価は、DeepELが既存の最先端メソッドを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2025-11-18T06:35:26Z)
• Large Language Models are Good Relational Learners [55.40941576497973]
  本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。 従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
  論文  参考訳（メタデータ） (2025-06-06T04:07:55Z)
• LLM-Lasso: A Robust Framework for Domain-Informed Feature Selection and Regularization [59.75242204923353]
  LLM-Lassoは大規模言語モデル(LLM)を利用してラッソ回帰における特徴選択を導くフレームワークである。 LLMは各特徴に対してペナルティ因子を生成し、単純でチューニング可能なモデルを用いてラスソペナルティの重みに変換される。 LLMによりより関連づけられた特徴は、より低い罰を受け、最終モデルに保持される可能性を高める。
  論文  参考訳（メタデータ） (2025-02-15T02:55:22Z)
• BANER: Boundary-Aware LLMs for Few-Shot Named Entity Recognition [12.57768435856206]
  本稿では,Few-Shot Named Entity Recognition のための境界認識 LLM という手法を提案する。 一般化されたエンティティスパンに対するエンティティ境界を知覚するLLMの能力を高めるために,境界対応のコントラスト学習戦略を導入する。 ターゲットドメインからソースドメインに情報をアライメントするためにLoRAHubを使用し、適応型クロスドメイン分類機能を強化する。
  論文  参考訳（メタデータ） (2024-12-03T07:51:14Z)
• OneNet: A Fine-Tuning Free Framework for Few-Shot Entity Linking via Large Language Model Prompting [49.655711022673046]
  OneNetは、大規模言語モデル(LLM)の少数ショット学習機能を利用する革新的なフレームワークで、微調整は不要である。 1)無関係なエンティティを要約してフィルタリングすることで入力を単純化するエンティティリダクションプロセッサ,(2)コンテキスト的キューと事前知識を組み合わせて正確なエンティティリンクを行うデュアルパースペクティブエンティティリンカ,(3)エンティティリンク推論における幻覚を緩和するユニークな一貫性アルゴリズムを利用するエンティティコンセンサス判定器,である。
  論文  参考訳（メタデータ） (2024-10-10T02:45:23Z)
• ERBench: An Entity-Relationship based Automatically Verifiable Hallucination Benchmark for Large Language Models [46.07900122810749]
  大規模言語モデル(LLM)は、様々なアプリケーションで前例のない性能を達成したが、評価は依然として難しい。 既存のリレーショナルデータベースを利用することは、ベンチマークを構築する上で有望なアプローチである、と我々は主張する。 我々は,これらの整合性制約を用いて任意のデータベースをLLMベンチマークに変換するERBenchを提案する。
  論文  参考訳（メタデータ） (2024-03-08T12:42:36Z)
• FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large Language Models in Federated Learning [70.38817963253034]
  本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。 我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。 本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
  論文  参考訳（メタデータ） (2023-09-01T09:40:36Z)

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。