Fugu-MT 論文翻訳(概要): Schema-Constrained Document-Level Event Argument Extraction with Lightweight LLM Fine-Tuning

論文の概要: Schema-Constrained Document-Level Event Argument Extraction with Lightweight LLM Fine-Tuning

arxiv url: http://arxiv.org/abs/2607.16808v1
Date: Sat, 18 Jul 2026 13:04:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.263796
Title: Schema-Constrained Document-Level Event Argument Extraction with Lightweight LLM Fine-Tuning
Title（参考訳）: 軽量LDMファインチューニングを用いたスキーマ制約ドキュメンテーションレベルイベント引数抽出
Abstract要約: Event Argument extract (EAE)は、引数スパンを特定してスキーマ定義されたロールを割り当てることで、ドキュメントを構造化されたイベントレコードに変換する。ドキュメントレベルのEAEは、トリガーと引数間の長距離依存関係、クロスセンスコンテキスト、厳格なロール制約のために難しい。我々は,中規模のオープン評価器がMAVENARGの文書レベルにおいて,スキーマ制約EAEを確実に実行可能であるかを検討する。
参考スコア（独自算出の注目度）: 7.275544884035566
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Event Argument Extraction (EAE) converts documents into structured event records by identifying argument spans and assigning them schema-defined roles. Document-level EAE is challenging due to long-range dependencies between triggers and arguments, cross-sentence context, and strict role constraints, which often lead to boundary errors, uncertainty in roles, and inconsistencies with restricted schemas. In this paper, we study whether mid-sized open LLMs can perform schema-constrained EAE reliably at the document level on MAVEN-ARG. Our approach combines (i) role-set injection in prompts for schema compliance, (ii) parameter-efficient supervised fine-tuning (LoRA) using the same JSON-only interface used at inference, and (iii) deterministic decoding with post-processing that validates JSON, filters invalid roles, de-duplicates arguments, and aligns spans to the document window. Under the official MAVEN-ARG evaluator, fine-tuned mid-sized open models outperform previously reported GPT baselines across mention, entity-coreference, and event-coreference evaluations; our best model (Phi-4, 14B) reaches 42.39\% F1 at the event-coreference level. Code to reproduce experiments is publicly available at https://github.com/dessertlab/EAE/.
Abstract（参考訳）: Event Argument extract (EAE)は、引数スパンを特定してスキーマ定義されたロールを割り当てることで、ドキュメントを構造化されたイベントレコードに変換する。ドキュメントレベルのEAEは、トリガと引数間の長距離依存関係、クロスセンスコンテキスト、厳密なロール制約など、境界エラー、ロールの不確実性、制限されたスキーマとの整合性などによって、難しい。本稿では,中規模のオープン LLM がMAVEN-ARG の文書レベルでスキーマ制約付き EAE を確実に実行可能であるかを検討する。私たちのアプローチは組み合わさる (i) スキーマ準拠のプロンプトにおけるロールセットインジェクション (ii)同一のJSONオンリーインタフェースを用いたパラメータ効率制御型微調整(LoRA)、および 3) JSONを検証する後処理による決定論的デコーディング、無効なロールのフィルタリング、引数の非重複化、ドキュメントウィンドウへのアライメント。 The official MAVEN-ARG evaluator, fine-tuned mid-sized open model outperform outperform out out out of GPT baselines across mention, entity-coreference, and event-coreference evaluations; our best model (Phi-4, 14B) reached 42.39\% F1 at the event-coreference level。実験を再現するコードはhttps://github.com/dessertlab/EAE/で公開されている。

関連論文リスト

RepoReasoner: Evaluating Repository-Level Code Reasoning Ability of Long-Context Language Models [54.53236295237077]
リポジトリレベルのコード推論を評価するベンチマークであるRepoReasonerを紹介します。出力予測は、ファイル間でのきめ細かいステートフルな実行推論を計測します。 Call Chain Predictionは、ノイズの多いコンテキスト下での高レベルのアーキテクチャ依存性の理解を評価する。
論文参考訳（メタデータ） (2026-07-28T17:12:41Z)
Logic-Regularized Verifier Elicits Reasoning from LLMs [63.65875399266337]
論理規則で正規化された教師なしの検証器であるLOVERを提案する。ローバーは、定理を二項潜在変数として扱い、内部の活性化を活用し、3つの論理的制約を課す。ローバーは教師なしのベースラインを大幅に上回る。
論文参考訳（メタデータ） (2026-05-07T09:03:49Z)
HCRE: LLM-based Hierarchical Classification for Cross-Document Relation Extraction with a Prediction-then-Verification Strategy [54.91468501159335]
文書間関係抽出 (RE) は, 異なる文書に存在する頭部尾部エンティティ間の関係を識別することを目的としている。本稿では,各レベルでの多視点検証により信頼性を向上させる推論戦略を提案する。
論文参考訳（メタデータ） (2026-04-09T07:55:27Z)
The Role of Parametric Injection-A Systematic Study of Parametric Retrieval-Augmented Generation [8.544971676258971]
パラノイド検索拡張生成(PRAG)は、ドキュメントをモデルパラメータとしてエンコードし、推論中にこれらの表現をモデルに注入する。 PRAGは文書の部分的意味情報のみをキャプチャし,それに依存するだけでテキストレベルでのインタラクションよりも性能が劣ることを示す。パラメータ化された文書とテキスト文書を組み合わせると、モデルは関連情報をより効果的に活用し、ノイズの多い入力に対してより堅牢になる。
論文参考訳（メタデータ） (2025-10-14T16:05:01Z)
Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。 AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
論文参考訳（メタデータ） (2025-07-22T06:37:51Z)
One Small and One Large for Document-level Event Argument Extraction [13.25071868664492]
文書レベルのイベント引数抽出(EAE)は、入力長の増加による2つの課題に直面する。小言語モデル(SLM)に基づくCsEAE(CoおよびStructure Event Argument extract model) 第二の方法は、抽出タスクを大規模言語モデル(LLM)に適した生成タスクに変換する新しいプロンプトを導入する
論文参考訳（メタデータ） (2024-11-08T14:44:01Z)
RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
論文参考訳（メタデータ） (2024-08-02T13:35:11Z)
AutoRE: Document-Level Relation Extraction with Large Language Models [27.426703757501507]
我々は、RHF(Relation-Head-Facts)という新しいRE抽出パラダイムを採用した、エンド・ツー・エンドのDocREモデルであるAutoREを紹介する。既存のアプローチとは異なり、AutoREは既知の関係オプションの仮定に依存しておらず、現実のシナリオをより反映している。 RE-DocREDデータセットの実験では、AutoREの最高のパフォーマンスを示し、最先端の結果が得られました。
論文参考訳（メタデータ） (2024-03-21T23:48:21Z)
ULTRA: Unleash LLMs' Potential for Event Argument Extraction through Hierarchical Modeling and Pair-wise Self-Refinement [6.035020544588768]
イベント引数抽出(EAE)は、あるイベントのロール固有のテキストスパン(例えば、引数)を特定するタスクである。本稿では,イベントの議論をよりコスト効率よく抽出する階層的枠組みを提案する。議論の正確な境界を求める際に, LLM が直面する課題に対処するために LEAFER を導入する。
論文参考訳（メタデータ） (2024-01-24T04:13:28Z)
Few-Shot Document-Level Event Argument Extraction [2.680014762694412]
イベント引数抽出(EAE)は文レベルではよく研究されているが、文書レベルでは未探索である。 FewDocAE は Few-Shot Document-Level Event Argument extract ベンチマークである。
論文参考訳（メタデータ） (2022-09-06T03:57:23Z)
Document-Level Relation Extraction with Sentences Importance Estimation and Focusing [52.069206266557266]
文書レベルの関係抽出(DocRE)は、複数の文の文書から2つのエンティティ間の関係を決定することを目的としている。我々はDocREのための文重要度スコアと文集中損失を設計するSIEF(Sentence Estimation and Focusing)フレームワークを提案する。 2つのドメインの実験結果から、SIEFは全体的なパフォーマンスを改善するだけでなく、DocREモデルをより堅牢にします。
論文参考訳（メタデータ） (2022-04-27T03:20:07Z)
GRIT: Generative Role-filler Transformers for Document-level Event Entity Extraction [134.5580003327839]
本稿では、文書レベルでコンテキストをモデル化するための生成トランスフォーマーベースのエンコーダデコーダフレームワーク(GRIT)を紹介する。我々は,MUC-4データセットに対する我々のアプローチを評価し,我々のモデルが先行作業よりもかなり優れていることを示す。
論文参考訳（メタデータ） (2020-08-21T01:07:36Z)

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。