論文の概要: LLMBridge: An LLM Pipeline for End-to-end Referential Bridging Resolution in English

• arxiv url: http://arxiv.org/abs/2605.29048v1
• Date: Wed, 27 May 2026 19:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.42953
• Title: LLMBridge: An LLM Pipeline for End-to-end Referential Bridging Resolution in English
• Title（参考訳）: LLMBridge: 英語のエンドツーエンド参照ブリッジレゾリューションのためのLLMパイプライン
• Authors: Lauren Levine, Amir Zeldes,
• Abstract要約: LLMBridgeは、英語でエンドツーエンドのブリッジ解決を行うための新しいシステムである。 本研究は,英語における参照ブリッジ分解能評価に用いられている3つのデータセットに対するブリッジ分解能パイプラインの評価である。
• 参考スコア（独自算出の注目度）: 7.643616721986612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce LLMBridge, a new LLM based system for the task of end-to-end referential bridging resolution in English. Our bridging resolution pipeline combines heuristic pre/post-processing with the natural language inference ability that comes from LLMs. We evaluate our bridging resolution pipeline on 3 datasets which have been used for referential bridging resolution evaluation in English: ISNotes, BASHI, and GUMBridge. Comparison to previous bridging resolution systems shows that the performance of LLMBridge surpasses previous state-of-the-art (SoTA) systems for all 3 datasets in the challenging End-to-end Evaluation Setting, as well as the Basic Bridging Resolution Evaluation Setting (gold bridging anaphor given). We also conduct a thorough error analysis of the LLMBridge performance, examining what varieties of bridging remain difficult for LLM based systems to identify. With this paper, we release the code for the LLMBridge pipeline.
• Abstract（参考訳）: 本稿では,LLMBridgeについて紹介する。LLMBridgeはLLMをベースとした,英語の終端参照ブリッジ解決のための新しいシステムである。 我々のブリッジング分解パイプラインは、ヒューリスティックな事前/後処理とLLMから得られる自然言語推論能力を組み合わせる。 本研究は,ISNotes,BASHI,GUMBridgeという,英語の参照ブリッジ分解能評価に使用されている3つのデータセットに対して,ブリッジ分解能パイプラインを評価した。 従来のブリッジ解像度システムと比較すると、LLMBridgeの性能は、挑戦的なエンドツーエンド評価設定、およびベーシックブリッジ解決評価設定(金のブリッジ精度評価設定)において、すべての3つのデータセットに対する従来の最先端(SoTA)システムを上回っている。 また,LLMBridgeの性能の徹底的な誤差解析を行い,LLMベースのシステムではどの種類のブリッジが難しいのかを検証した。 本稿ではLLMBridgeパイプラインのコードを公開します。

関連論文リスト

• A Consensus-Driven Multi-LLM Pipeline for Missing-Person Investigations [0.7734726150561088]
  Guardianは、行方不明児の調査と早期検索計画を支援するために設計されたエンドツーエンドシステムである。 本稿では,行方不明者検索操作に関連する知的情報抽出と処理にLLMを使用する多モデルシステムであるGuardian LLM Pipelineを提案する。
  論文  参考訳（メタデータ） (2026-03-09T21:40:17Z)
• 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)
• Bridging Context Gaps: Leveraging Coreference Resolution for Long Contextual Understanding [29.129035086344143]
  大規模言語モデル(LLM)の性能向上を目的としたLong Question Coreference Adaptation (LQCA) 手法を提案する。 このフレームワークは、長いコンテキストに合わせて調整されたコア参照解決に焦点を当てており、モデルが参照を効果的に識別し、管理することができる。 私たちのコードはhttps://github.com/OceannTwT/LQCA.comで公開されています。
  論文  参考訳（メタデータ） (2024-10-02T15:39:55Z)
• Zero- and Few-Shots Knowledge Graph Triplet Extraction with Large Language Models [7.919349589245355]
  本研究では,Zero-およびFew-Shots設定において,さまざまなサイズの大規模言語モデル(LLM)のトリプレット抽出機能を検証した。 我々は,知識ベース(KB)からコンテキスト情報を動的に収集するパイプラインを提案した。
  論文  参考訳（メタデータ） (2023-12-04T15:12:04Z)
• LLMRefine: Pinpointing and Refining Large Language Models via Fine-Grained Actionable Feedback [65.84061725174269]
  最近の大規模言語モデル(LLM)は、世代品質を改善するために人間のフィードバックを活用している。 LLMの出力を最適化する推論時間最適化手法であるLLMRefineを提案する。 機械翻訳、長文質問応答(QA)、話題要約を含む3つのテキスト生成タスクについて実験を行った。 LLMRefineは、すべてのベースラインアプローチを一貫して上回り、翻訳タスクの1.7 MetricXポイント、ASQAの8.1 ROUGE-L、トピックの要約の2.2 ROUGE-Lの改善を実現している。
  論文  参考訳（メタデータ） (2023-11-15T19:52:11Z)

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。