論文の概要: AutoSpecNER: A Fine-Grained Named Entity Recognition Dataset for Vehicle Specification Extraction

• arxiv url: http://arxiv.org/abs/2606.24387v1
• Date: Tue, 23 Jun 2026 10:19:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.898231
• Title: AutoSpecNER: A Fine-Grained Named Entity Recognition Dataset for Vehicle Specification Extraction
• Title（参考訳）: AutoSpecNER:自動車仕様抽出のための細粒度名前付きエンティティ認識データセット
• Authors: Jordan Lee, Filippos Ventirozos, Abdirahman Abdullahm, Ioanna Nteka, Peter Appleby, Matthew Shardlow,
• Abstract要約: AutoSpecNERは、自動車リストの詳細なエンティティ認識のためのエキスパートアノテーション付きデータセットである。 このデータセットには、人気車販売サイトからの659件の広告が含まれ、15のカテゴリーに1万件以上のエンティティがある。 DeBERTaは90%のマイクロF1スコアで最高のパフォーマンスを達成し、ルールベースベースライン(43%)と最強の大規模言語モデル(77.8%)を上回っている。
• 参考スコア（独自算出の注目度）: 3.335249027791265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicle advertisements contain rich specification information, but automotive NER resources remain limited. We introduce AutoSpecNER, an expert-annotated dataset for fine-grained entity recognition in vehicle listings. The dataset includes 659 advertisements from a popular car-selling website, with over 10,000 entities annotated across 15 categories, including MODEL, ENGINE_SPEC, and BATTERY_CAPACITY. Annotation quality was validated through inter-annotator agreement, achieving an average score of 91.5%. We benchmark rule-based extraction, fine-tuned transformer encoders, and large language models. DeBERTa achieves the best performance with a 90% micro-F1 score, outperforming the rule-based baseline (43%) and the strongest large language model (77.8%).
• Abstract（参考訳）: 自動車広告には豊富な仕様情報が含まれているが、自動車のNER資源は限られている。 本稿では,車載リストにおける詳細なエンティティ認識のためのエキスパートアノテーション付きデータセットであるAutoSpecNERを紹介する。 MODEL、ENGINE_SPEC、BATTERY_CAPACITYなど15のカテゴリに1万以上のエンティティがアノテートされている。 アノテーションの品質はアノテーション間の合意によって検証され、平均スコアは91.5%に達した。 ルールベース抽出、微調整変換器エンコーダ、大規模言語モデルのベンチマークを行う。 DeBERTaは90%のマイクロF1スコアで最高のパフォーマンスを達成し、ルールベースのベースライン(43%)と最強の大規模言語モデル(77.8%)を上回っている。

関連論文リスト

• AutoPKG: An Automated Framework for Dynamic E-commerce Product-Attribute Knowledge Graph Construction [16.724284353315934]
  マルチモーダル製品コンテンツから製品属性知識グラフを自動的に構築するフレームワークであるAutoPKGを提案する。 AutoPKGは、オンデマンドで製品タイプとタイプ固有の属性キーを誘導し、テキストとイメージから属性値を抽出し、集中型決定エージェントを通じて更新を統合する。 提案手法は, エッジレベルの高精度F1を0.152改良し, 属性抽出の精度を0.208とした。
  論文  参考訳（メタデータ） (2026-04-18T10:19:10Z)
• EngineAD: A Real-World Vehicle Engine Anomaly Detection Dataset [7.231276782144985]
  EngineADは、6ヶ月間に25台の商用車両から収集された高解像度センサーテレメトリを含む新しいデータセットである。 データを$300の時間ステップのプリンシパルコンポーネントにプリプロセスし、9つの異なる1クラスの異常検出モデルを用いて初期ベンチマークを作成する。 本実験は,車種間の性能変動を顕著に明らかにし,車種間一般化の課題を浮き彫りにした。
  論文  参考訳（メタデータ） (2026-03-26T22:47:45Z)
• Car-1000: A New Large Scale Fine-Grained Visual Categorization Dataset [18.259833816531277]
  本稿では,多種多様な自動車モデルの細粒度視覚分類に特化して設計された大規模データセットであるCar-1000を紹介する。 カー1000は165の異なる自動車メーカーの車両を包含しており、1000種類の異なる車種にまたがっている。 我々は、Car-1000データセット上でいくつかの最先端FGVC手法を再現し、この分野の研究のための新しいベンチマークを確立した。
  論文  参考訳（メタデータ） (2025-03-16T07:14:58Z)
• CLIP-SENet: CLIP-based Semantic Enhancement Network for Vehicle Re-identification [11.817329389930489]
  本稿では,CLIPに基づくセマンティック・エンハンスメント・ネットワーク(CLIP-SENet)を提案する。 CLIP-SENetは、車両のセマンティック属性を自律的に抽出し洗練するように設計されたエンドツーエンドフレームワークである。 我々のアプローチは、VeRi-776データセットで92.9% mAPと98.7% Rank-1、VeRi-Wildデータセットで90.4% Rank-1と98.7% Rank-5、89.1% mAPと97.9% Rank-1という新しい最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-02-24T03:52:37Z)
• Shifting NER into High Gear: The Auto-AdvER Approach [5.0571483350418]
  Auto-AdvERは、このドメインにおけるテキストマイニング分析を強化するように設計されている。 コンディション、ヒストリック、セールオプションの3つのラベルからなるスキーマを提案する。 我々は,エンコーダのみのモデルであるBERT,DeBERTaV3,デコーダのみのオープンかつクローズドソースのLarge Language Models (LLMs) を用いて,性能を比較した。
  論文  参考訳（メタデータ） (2024-12-07T14:00:06Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• AutoFT: Learning an Objective for Robust Fine-Tuning [60.641186718253735]
  ファンデーションモデルは、微調整によって下流タスクに適応できるリッチな表現をエンコードする。 手作り正則化技術を用いた頑健な微調整への最近のアプローチ 我々は、堅牢な微調整のためのデータ駆動型アプローチであるAutoFTを提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:58:49Z)
• UniversalNER: Targeted Distillation from Large Language Models for Open Named Entity Recognition [48.977866466971655]
  オープンNERのためにChatGPTをはるかに小さなUniversalNERモデルに蒸留する方法を示す。 9つの異なるドメインにわたる43のデータセットからなる、これまでで最大のNERベンチマークを組み立てました。 パラメータのごく一部で、UniversalNERは任意のエンティティタイプを認識するChatGPTの能力を取得するだけでなく、NERの精度を平均7-9絶対F1ポイントで上回る。
  論文  参考訳（メタデータ） (2023-08-07T03:39:52Z)
• AutoTriggER: Label-Efficient and Robust Named Entity Recognition with Auxiliary Trigger Extraction [54.20039200180071]
  我々は,エンティティトリガの自動生成と活用によるNER性能向上のための新しいフレームワークを提案する。 筆者らのフレームワークは,ポストホックな説明を活用して合理的な知識を生成し,埋め込み手法を用いてモデルの事前知識を強化する。 AutoTriggERは強力なラベル効率を示し、目に見えないエンティティを一般化し、RoBERTa-CRFベースラインを平均0.5F1ポイント上回る性能を持つ。
  論文  参考訳（メタデータ） (2021-09-10T08:11:56Z)
• VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
  我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
  論文  参考訳（メタデータ） (2020-04-14T05:06:38Z)

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。