論文の概要: MASTE: A Multi-Agent Pipeline for Zero-Shot Aspect Sentiment Triplet Extraction

• arxiv url: http://arxiv.org/abs/2607.08080v1
• Date: Thu, 09 Jul 2026 03:20:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.405065
• Title: MASTE: A Multi-Agent Pipeline for Zero-Shot Aspect Sentiment Triplet Extraction
• Title（参考訳）: MASTE:Zero-Shot Aspect Sentiment Triplet extractのためのマルチエージェントパイプライン
• Authors: Ao Hong, Lehang Wang, Zhirun Yue, Mingxin Wang, Zihan Wang, Houde Liu,
• Abstract要約: Aspect Sentiment Triplet extract (ASTE) は、あるレビュー文から三重項(アスペクト、意見、感情)を共同で識別する必要がある。 ゼロショット・アスペクト・センチメント・トリプルト抽出のためのマルチエージェントパイプラインであるMASTEを提案する。
• 参考スコア（独自算出の注目度）: 10.231323606041386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aspect Sentiment Triplet Extraction (ASTE) requires jointly identifying (aspect, opinion, sentiment) triples from a given review sentence. While large language models (LLMs) achieve strong zero-shot performance on many NLP benchmarks, their effectiveness on ASTE remains limited, as single-pass generation forces the model to determine span boundaries, opinion grouping, and sentiment polarity in a single decoding step. Common remedies, such as few-shot in-context learning and chain-of-thought prompting, offer only marginal improvements and rely heavily on either in-domain demonstrations sampled from labeled training data or carefully engineered reasoning prompts, neither of which is broadly available in zero-shot deployment. Inspired by the classical agent paradigm, we propose MASTE, a multi-agent pipeline for zero-shot Aspect Sentiment Triplet Extraction. MASTE decomposes ASTE into four sequential stages, where specialized agents handle different compositional subtasks with explicit conditioning on prior outputs. This design enables entirely training-free zero-shot ASTE and generalizes across different backbones and datasets. Extensive experiments on four ASTE benchmarks show that MASTE substantially outperforms zero-shot and chain-of-thought LLM baselines under the same backbone, narrowing the gap to fully supervised methods without using any labeled triplets. Code is available at https://github.com/Hankerlove/MASTE.
• Abstract（参考訳）: Aspect Sentiment Triplet extract (ASTE) は、あるレビュー文から三重項(アスペクト、意見、感情)を共同で識別する必要がある。 大規模言語モデル(LLM)は、多くのNLPベンチマークにおいて強力なゼロショット性能を達成するが、ASTEにおけるそれらの効果は限定的であり、単一パス生成では、単一のデコードステップにおいて、スパン境界、意見グループ、感情極性を決定せざるを得ない。 少数ショットのコンテキスト内学習やチェーン・オブ・思想的プロンプトといった一般的な治療法は、限界的な改善のみを提供し、ラベル付きトレーニングデータからサンプリングされたドメイン内のデモや、慎重に設計された推論プロンプトに大きく依存する。 従来のエージェントパラダイムにヒントを得て,ゼロショット・アスペクト・センチメント・トリプルト抽出のためのマルチエージェントパイプラインであるMASTEを提案する。 MASTEはASTEを4つの逐次的な段階に分解し、特殊エージェントは以前の出力に対して明示的な条件で異なる構成サブタスクを処理する。 この設計は、完全にトレーニング不要なゼロショットASTEを可能にし、異なるバックボーンとデータセットをまたいで一般化する。 4つのASTEベンチマークの大規模な実験により、MASTEはゼロショットとチェーンのLLMベースラインを同じバックボーンで大幅に上回り、ラベル付き三重項を使わずに完全に監督された方法にギャップを狭めることを示した。 コードはhttps://github.com/Hankerlove/MASTE.comで入手できる。

関連論文リスト

• Speculative Refinement: A Hybrid Autoregressive Diffusion Decoding Strategy and Its Behavior Across Benchmarks [1.9800951131982487]
  我々はSpecRef(Speculative Refinement)を用いて、ARドラフトからマスク付き拡散言語モデルをウォームスタートする。 We evaluate SpecRef across six benchmarks (HumanEval, MBPP, GSM8K, BBH, ARC-Challenge, HellaSwag) with three distinct evaluation protocol。 これらの観察は、多段階または非自己回帰生成パイプラインに適用され、より診断評価の実践に向けて向けられる。
  論文  参考訳（メタデータ） (2026-06-25T18:52:24Z)
• Collaborative Learning for Semi-Supervised LiDAR Semantic Segmentation [51.15174185939441]
  LiDAR半教師付きセグメンテーション(CoLLiS)のための協調学習 CoLLiSは、同じ学生として扱うことで、複数の表現をひとつのステップで協調的に訓練する。 3つのデータセットの実験では、CoLLiSが最先端のLiDAR SemiSLメソッドを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-05-16T19:58:41Z)
• Context Pruning for Coding Agents via Multi-Rubric Latent Reasoning [14.508049757681862]
  LLMベースのコーディングエージェントは、トークンの予算の大部分をリポジトリファイルを読むのに費やしている。 この定式化がモデリングのボトルネックを生み出すことを示す。 コード関連性を2つの解釈可能な品質次元に分解する構造化プルーニングフレームワークであるLaMRを提案する。
  論文  参考訳（メタデータ） (2026-05-14T18:30:10Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• MuSc-V2: Zero-Shot Multimodal Industrial Anomaly Classification and Segmentation with Mutual Scoring of Unlabeled Samples [8.323617762880533]
  ゼロショット異常分類(AC/AS)のためのMutual Scoring framework(MuSc-V2)を提案する。 私たちのフレームワークは、完全なデータセットと、一貫して堅牢なパフォーマンスを持つ小さなサブセットの両方で柔軟に機能します。 新たなフレームワークの助けを借りて、MuSc-V2は大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-11-13T07:47:37Z)
• SPARE: Single-Pass Annotation with Reference-Guided Evaluation for Automatic Process Supervision and Reward Modelling [58.05959902776133]
  私たちはSingle-Passを紹介します。 Reference-Guided Evaluation (SPARE)は、効率的なステップごとのアノテーションを可能にする新しい構造化フレームワークである。 数学的推論(GSM8K, MATH)、マルチホップ質問応答(MuSiQue-Ans)、空間推論(SpaRP)にまたがる4つの多様なデータセットにおけるSPAREの有効性を実証する。 ProcessBenchでは、SPAREがデータ効率のよいアウト・オブ・ディストリビューションの一般化を実証し、トレーニングサンプルの$sim$16%しか使用していない。
  論文  参考訳（メタデータ） (2025-06-18T14:37:59Z)
• SynRES: Towards Referring Expression Segmentation in the Wild via Synthetic Data [4.962252439662465]
  WildRESは、多様な属性を持つ長いクエリと、複数のターゲットに対する識別できないクエリを組み込んだ、新しいベンチマークである。 解析の結果,WildRESを用いた場合,現在のRESモデルでは性能が著しく低下していることが判明した。 この課題に対処するために、密集した合成学習データを生成する自動パイプラインであるSynRESを紹介する。
  論文  参考訳（メタデータ） (2025-05-23T10:05:16Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。 バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• Domain-Expanded ASTE: Rethinking Generalization in Aspect Sentiment Triplet Extraction [67.54420015049732]
  Aspect Sentiment Triplet extract (ASTE) は感情分析における課題であり、人間の感情に対するきめ細かい洞察を提供することを目的としている。 既存のベンチマークは2つのドメインに限定されており、目に見えないドメイン上でのモデルパフォーマンスを評価しない。 各種ドメインのサンプルに注釈を付けることでドメイン拡張ベンチマークを導入し,ドメイン内設定とドメイン外設定の両方でモデルの評価を可能にする。
  論文  参考訳（メタデータ） (2023-05-23T18:01:49Z)
• PASTE: A Tagging-Free Decoding Framework Using Pointer Networks for Aspect Sentiment Triplet Extraction [12.921737393688245]
  Aspect Sentiment Triplet extract (ASTE)は、意見の対象または側面、関連する感情、およびそれに対応する意見用語/スパンからなる意見三つ子を抽出する。 我々は、ポイントネットワークベースのデコードフレームワークでエンコーダ・デコーダアーキテクチャを適用し、各ステップで全意見の三重項を生成する。
  論文  参考訳（メタデータ） (2021-10-10T13:39:39Z)

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。