論文の概要: A Study of Temporal Fusion Strategies for Named Entity Recognition in Historical Texts

• arxiv url: http://arxiv.org/abs/2606.27881v1
• Date: Fri, 26 Jun 2026 09:23:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.441628
• Title: A Study of Temporal Fusion Strategies for Named Entity Recognition in Historical Texts
• Title（参考訳）: 歴史的テキストにおける名前付きエンティティ認識のための時間融合方式の検討
• Abstract要約: 時間的変動は、歴史的テキストで名前付きエンティティ認識に固有の課題を生じさせる。 我々は,軽量融合戦略を用いて,時間的メタデータをNERモデルに構造的に組み込む方法について検討した。 フランスとドイツの歴史的データセットに対する我々の評価は、後期融合戦略がより堅牢で時間的に一般化可能な性能をもたらすことを示している。
• 参考スコア（独自算出の注目度）: 0.43064121494080315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal variation poses a unique challenge for named entity recognition (NER) in historical texts, where entities drift in surface form and salience across time. While language models (LMs) have made progress in various NLP tasks, their ability to reason about temporality, especially in diachronic contexts, remains limited or at least, questionable. In this paper, we systematically study how temporal metadata can be structurally embedded into NER models using a range of lightweight fusion strategies. We experiment with both absolute and relative temporal representations, injected into Transformer-based architectures via early or late fusion mechanisms such as cross-attention, adapters, and concatenation. Our evaluations on French and German historical datasets reveal that late fusion strategies yield more robust and temporally generalisable performance, particularly in early and noisy periods.
• Abstract（参考訳）: 時間的変動は、歴史的テキストにおける名前付きエンティティ認識(NER)に固有の課題を生じさせる。 言語モデル(LM)は様々なNLPタスクで進歩してきたが、特に時相的文脈において時間性について推論する能力は限定的あるいは少なくとも疑問視されている。 本稿では,軽量核融合戦略を用いて,時間的メタデータをNERモデルに構造的に組み込む方法について系統的に検討する。 我々は,トランスフォーマーをベースとしたアーキテクチャに,クロスアテンションやアダプタ,結合といった早期あるいは後期の融合機構を通じて,絶対的および相対的時間的表現を注入する実験を行った。 フランスとドイツの歴史的データセットに対する我々の評価は、後期融合戦略が特に初期および雑音期において、より堅牢で時間的に一般化可能な性能をもたらすことを示している。

関連論文リスト

• Beyond Static Dialogues: Benchmarking Realistic, Heterogeneous, and Evolving Long-Term Memory [54.947805187562274]
  動的時間的進化と長期コヒーレンスを示す多様な相互作用シナリオにまたがる現実的な対話を導入する。 その結果得られたベンチマークは、7つの調査タイプにまたがる挑戦的な質問と回答のペアを含んでいる。 現在研究されている27の重要な記憶特性のうち、少なくとも1つを同定する。
  論文  参考訳（メタデータ） (2026-05-29T09:51:22Z)
• Tracking the Truth: Object-Centric Spatio-Temporal Monitoring for Video Large Language Models [154.39583176906893]
  大規模言語モデル(ML)は高度な理解を持ち、シーンにおける幻覚の傾向が高い。 これは、時間的モニタリングの失敗、オブジェクトの動的アイデンティティ、状態、そして時間とともに関係を永続的に追跡する能力に起因している、と我々は主張する。 既存のベンチマークでは、局所的な視覚的手がかりや統計的先行によってしばしば解決される1つの最終回答クエリに頼って、この欠陥を曖昧にしている。
  論文  参考訳（メタデータ） (2026-05-09T14:32:36Z)
• SPaRSe-TIME: Saliency-Projected Low-Rank Temporal Modeling for Efficient and Interpretable Time Series Prediction [0.0]
  SPaRSe-TIME(サイト・英語)は、時系列を分解して3つの相補的なコンポーネント(サリエンシ、メモリ、トレンド)にモデル化するフレームワークである。 多様な実世界のデータセットの実験は、SPaRSe-TIMEが競合性能を達成することを示した。 全体として、SPaRSe-TIMEは、モノリシックシーケンスモデルの原則的な代替、ブリッジ効率、解釈可能性、パフォーマンスを提供し、時系列学習のためのスケーラブルなフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-04-19T09:55:28Z)
• TimeSAF: Towards LLM-Guided Semantic Asynchronous Fusion for Time Series Forecasting [6.1337977581640075]
  TimeSAFは階層的非同期融合に基づく新しいフレームワークである。 低レベルの時間的ダイナミクスとの干渉を避けながら、安定的で効率的な意味指導を提供する。
  論文  参考訳（メタデータ） (2026-04-14T12:18:00Z)
• TimelineReasoner: Advancing Timeline Summarization with Large Reasoning Models [54.737142557469916]
  我々は、タイムラインの要約を静的生成からアクティブな推論駆動プロセスに移行するフレームワークであるTimelineReasonerを提案する。 タイムラインの精度,カバレッジ,コヒーレンスの観点から,TimelineReasoner は既存の LLM ベースのTLS 手法よりも優れていることを示す。 この作業はTLSの境界を推し進めるだけでなく、タイムラインの要約のためのLRMベースの推論フレームワークの幅広い可能性を強調している。
  論文  参考訳（メタデータ） (2026-04-03T12:30:15Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• On the Internal Semantics of Time-Series Foundation Models [5.378537041020883]
  時系列ファウンデーションモデル(TSFM)は、多様な時間領域をまたがって学習するための普遍的なパラダイムとして登場した。 本稿では,これらのモデルが基本時系列概念を表現する内部メカニズムについて考察する。
  論文  参考訳（メタデータ） (2025-11-19T10:41:02Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Token and Span Classification for Entity Recognition in French Historical Encyclopedias [0.0]
  歴史的テキストにおける名前付きエンティティ認識(NER)は、非標準化言語、古文書正書法、ネストまたは重複エンティティによる固有の課題を示す。 本研究は、古典的条件ランダムフィールド(CRF)やスパシーベースのモデルからトランスフォーマーベースのアーキテクチャまで、さまざまなNERアプローチのベンチマークを行う。 実験は18世紀のフランスの百科事典から派生した豊富な注釈付きコーパスであるGeoEDdAデータセット上で行われた。
  論文  参考訳（メタデータ） (2025-06-03T13:37:44Z)
• GATGPT: A Pre-trained Large Language Model with Graph Attention Network for Spatiotemporal Imputation [19.371155159744934]
  実世界の環境では、センサーの故障やデータ転送エラーなどの問題により、そのようなデータには欠落する要素がしばしば含まれる。 時間的計算の目的は、観測された時系列における固有の空間的および時間的関係を理解することによって、これらの欠落値を推定することである。 伝統的に、複雑な時間的計算は特定のアーキテクチャに依存しており、適用可能性の制限と高い計算複雑性に悩まされている。 対照的に、我々のアプローチは、事前訓練された大規模言語モデル(LLM)を複雑な時間的インプットに統合し、画期的なフレームワークであるGATGPTを導入している。
  論文  参考訳（メタデータ） (2023-11-24T08:15:11Z)
• Short and Long Range Relation Based Spatio-Temporal Transformer for Micro-Expression Recognition [61.374467942519374]
  我々は,マイクロ圧縮認識のための最初の純粋トランスフォーマーベースアプローチである,新しいアテンポ的トランスフォーマーアーキテクチャを提案する。 空間パターンを学習する空間エンコーダと、時間的分析のための時間的次元分類と、ヘッドとを備える。 広範に使用されている3つの自発的マイクロ圧縮データセットに対する総合的な評価は,提案手法が一貫して芸術の状態を上回っていることを示している。
  論文  参考訳（メタデータ） (2021-12-10T22:10:31Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。