論文の概要: FAST-MEL: A Fast, Accurate, and Storage Efficient Solution for Multimodal Entity Linking

• arxiv url: http://arxiv.org/abs/2606.11749v1
• Date: Wed, 10 Jun 2026 07:24:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 14:39:15.177659
• Title: FAST-MEL: A Fast, Accurate, and Storage Efficient Solution for Multimodal Entity Linking
• Title（参考訳）: FAST-MEL:マルチモーダルエンティティリンクのための高速、高精度、ストレージ効率の良いソリューション
• Authors: Derrien Thomas, Laurent Amsaleg, Pascale Sébillot,
• Abstract要約: 本稿では,各エンティティのコンパクトかつコンパクトなベクトル化表現に依存する軽量エンコーダベースのMELソリューションを提案する。 最高のシステムの精度と一致するが、桁違いに高速である。 また、最速のシステムよりも1桁のストレージを消費する。
• 参考スコア（独自算出の注目度）: 3.147897243459717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal entity linking (MEL) is the task that consists of matching textual and visual mentions of entities in unstructured data to their corresponding entities in a knowledge base (KB). To be effective in large-scale practical settings, MEL systems must meet three objectives: high linking accuracy, computational efficiency, and storage efficiency, i.e., a compact yet efficient index of the KB. In this paper, we highlight that state-of-the-art systems fail to simultaneously satisfy these 3 requirements. To meet this three-fold objective, we propose FAST-MEL, a lightweight encoder-based MEL solution that relies on a novel and compact fixed-size vectorized representation of both the textual and visual information of each entity or mention. It matches the accuracy of the best systems but performs three orders of magnitude faster. It also consumes one order of magnitude less storage than the fastest systems.
• Abstract（参考訳）: マルチモーダル・エンティティ・リンク(MEL)とは、知識ベース(KB)において、非構造化データにおけるエンティティのテキストと視覚的参照を対応するエンティティにマッチングするタスクである。 大規模な実用環境で有効にするためには、MELシステムは高リンク精度、計算効率、ストレージ効率、すなわちKBのコンパクトで効率的なインデックスの3つの目標を満たす必要がある。 本稿では,この3つの要件を同時に満たさない現状のシステムについて述べる。 この3つの目的を満たすために、FAST-MELを提案する。これは軽量エンコーダベースのMELソリューションで、各エンティティや参照のテキスト情報と視覚情報の両方の、新しくてコンパクトなベクトル化表現に依存している。 最高のシステムの精度と一致するが、桁違いに高速である。 また、最速のシステムよりも1桁のストレージを消費する。

関連論文リスト

• Merlin: Deterministic Byte-Exact Deduplication for Lossless Context Optimization in Large Language Model Inference [0.0]
  Merlinは、テキストパスとデータチャンクの高速かつバイト単位の重複を高速に実行する。 我々の評価では、低冗長データセットの13.9%から高冗長パイプラインの71%以上まで、入力の削減が示されている。 本稿では、コアアルゴリズム設計、性能ベンチマーク、および最大8.7GB/sの持続的な速度でデータを処理するために必要なアーキテクチャ原則について概説する。
  論文  参考訳（メタデータ） (2026-05-11T05:06:59Z)
• SimpleMem: Efficient Lifelong Memory for LLM Agents [73.74399447715052]
  セマンティックロスレス圧縮に基づく効率的なメモリフレームワークSimpleMemを紹介する。 本稿では,情報密度とトークン利用量の最大化を目的とした3段階パイプラインを提案する。 ベンチマークデータセットを用いた実験により,提案手法は精度,検索効率,推論コストにおいて,ベースラインアプローチを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-01-05T21:02:49Z)
• Layout-Aware Parsing Meets Efficient LLMs: A Unified, Scalable Framework for Resume Information Extraction and Evaluation [31.356673356827432]
  自動抽出・評価のためのレイアウト認識・効率最適化フレームワークを提案する。 私たちのシステムはAlibabaのインテリジェントなHRプラットフォームに完全にデプロイされています。
  論文  参考訳（メタデータ） (2025-10-10T07:01:35Z)
• Federated Fine-Tuning of LLMs: Framework Comparison and Research Directions [59.5243730853157]
  Federated Learning(FL)は、分散プライベートデータセットを使用して、トレーニング済みの大規模言語モデル(LLM)を微調整するための、プライバシ保護ソリューションを提供する。 本稿では、知識蒸留(KD)とスプリットラーニング(SL)を統合し、これらの問題を緩和する3つの先進的連合LLM(FedLLM)フレームワークの比較分析を行う。
  論文  参考訳（メタデータ） (2025-01-08T11:37:06Z)
• MixLLM: LLM Quantization with Global Mixed-precision between Output-features and Highly-efficient System Design [1.3589914205911104]
  我々は,その精度,メモリ消費,システム効率の三角形に対する効果に関する一般量子化原理を包括的に分析する。 出力特徴間の混合精度量子化の新しい最適化空間を探索するMixLLMを提案する。 本稿では,アルゴリズム-システム共設計の量子化構成のスイートスポットについて述べる。
  論文  参考訳（メタデータ） (2024-12-19T07:15:15Z)
• To Preserve or To Compress: An In-Depth Study of Connector Selection in Multimodal Large Language Models [11.13176491856196]
  本稿では,コネクタがマルチモーダル大言語モデル(MLLM)の性能に与える影響を系統的に検討する。 コネクタを特徴保存型と特徴圧縮型に分類する。 本研究は,視覚情報の詳細な保持能力により,細粒度認知タスクにおいて,特徴保存コネクタが優れていることを明らかにした。 対照的に、機能圧縮コネクタは、きめ細かな知覚タスクでは効果が低いが、顕著な速度優位性を提供し、きめ細かな知覚タスクや強調タスクでは相容れない。
  論文  参考訳（メタデータ） (2024-10-09T10:53:18Z)
• EMMA: Efficient Visual Alignment in Multi-Modal LLMs [56.03417732498859]
  EMMAは、視覚的およびテキスト的エンコーディングを効率的に融合するために設計された軽量なクロスプラットフォームモジュールである。 EMMAは複数のタスクのパフォーマンスを最大9.3%向上させ、幻覚に対する堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-10-02T23:00:31Z)
• Can SAM Boost Video Super-Resolution? [78.29033914169025]
  単純な有効モジュールであるSAM-guidEd refinEment Module (SEEM)を提案する。 この軽量プラグインモジュールは、セマンティック・アウェア機能の生成にアテンションメカニズムを活用するように設計されている。 我々はSEEMをEDVRとBasicVSRの2つの代表的手法に適用し、最小限の実装労力で継続的に性能を向上する。
  論文  参考訳（メタデータ） (2023-05-11T02:02:53Z)

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。