論文の概要: LLM-INSTRUCT at UZH Shared Task 2026: Constraint-Aware Retrieval and Selective Debate for Paragraph-Level Argument Mining

• arxiv url: http://arxiv.org/abs/2607.20430v1
• Date: Sun, 10 May 2026 05:08:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.157218
• Title: LLM-INSTRUCT at UZH Shared Task 2026: Constraint-Aware Retrieval and Selective Debate for Paragraph-Level Argument Mining
• Title（参考訳）: LLM-INSTRUCT at UZH Shared Task 2026: Constraint-Aware Retrieval and Selective Debate for Paragraph-Level Argument Mining
• Abstract要約: 本稿では,ArgMining 2026におけるUZH共有タスクの勝利システムであるLLM-INSTRUCTを紹介する。 このタスクには、段落型の分類、141のオフィシャルタグのサブセットの予測、厳密なスキーマ設定による関係予測が必要である。 公式のリーダーボードでは、LDM-INSTRUCTが総合で1位、F1で1位、ALM-as-a-Judgeで5位にランクインした。
• 参考スコア（独自算出の注目度）: 0.7899707459486233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present LLM-INSTRUCT, the winning system for the UZH Shared Task at ArgMining 2026 on paragraph-level argument mining in UN and UNESCO resolutions. The task requires paragraph-type classification, prediction of a subset of 141 official tags, and directed relation prediction under a strict JSON schema setting using only open-weight models up to 8B parameters. We frame the task as constrained structured prediction. The system first narrows the candidate tag space with metadata-aware dense retrieval, then applies constrained decoding with per-dimension caps, escalates only uncertain cases to a three-agent debate branch, and finally validates the output schema. On the official leaderboard, LLM-INSTRUCT ranked 1st overall, with 1st in F1 and 5th in LLM-as-a-Judge. During development, our configuration search further improved Task 1b Micro-F1 from 35.83% to 40.08% while keeping the internal Task 2 score at 4.421. The main lesson is simple: reducing the decision space before generation improves both accuracy and submission robustness. Our code and supporting scripts are publicly available at: https://github.com/LLM-Instruct-at-UZH-Shared-Task-2026/Method
• Abstract（参考訳）: 我々は,国連およびユネスコ決議における段落レベルの議論マイニングに関するアーグマイニング2026におけるUZH共有タスクの勝利システムであるLLM-INSTRUCTを紹介する。 このタスクには、パラグラフタイプの分類、141のオフィシャルタグのサブセットの予測、および8Bパラメータまでのオープンウェイトモデルのみを使用して厳密なJSONスキーマ設定下でのリレーション予測が必要である。 私たちはそのタスクを制約付き構造化予測とみなした。 このシステムはまずメタデータを意識した高密度検索により候補タグ空間を絞り込み、次に1次元の上限で制約付き復号を行い、不確実なケースのみを3段階の議論ブランチにエスカレートし、最終的に出力スキーマを検証する。 公式のリーダーボードでは、LDM-INSTRUCTが総合で1位、F1で1位、ALM-as-a-Judgeで5位にランクインした。 開発期間中、我々はTask 1b Micro-F1を35.83%から40.08%に改善し、Task 2の内部スコアは4.421に維持した。 生成前の決定スペースを減らすことで、正確性と堅牢性の両方が向上します。 私たちのコードとサポートスクリプトは、https://github.com/LLM-Instruct-at-UZH-Shared-Task-2026/Methodで公開されています。

関連論文リスト

• NOWJ@COLIEE 2026: Adaptive Pipelines for Legal Retrieval and Reasoning [1.2884266282263097]
  本稿では,COLIEE 2026コンペティションの5つの課題すべてに対するNOWJチームの参加の方法論と成果について述べる。 タスク1(Legal Case Retrieval)では、4段階の候補フィルタリング,補体埋め込みモデルによる高密度検索,微調整された生成リランカによるクロスエンコーダのリランクを提案する。 第2タスク(Legal Case Entailment)では、BM25ベースのリランク、アテンションベースのリランク、コンセンサスアンサンブルの検証を組み合わせる。 第3タスク(法典検索・内容)については,検索オーグを採用する。
  論文  参考訳（メタデータ） (2026-07-18T02:46:06Z)
• NAVER LABS System Re-implementation for the IWSLT 2026 Instruction-Following Task [0.09558392439655013]
  NAVER LABS IWSLT 2025命令追従パイプラインをIWSLT 2026共有タスク用に再実装する。 3段階のアプローチプロジェクターアライメント、テキストのみのLoRA事前訓練、マルチモーダルマージはオリジナルの設計から保存されている。 提案するコーパスから,10種類の音声中心タスクタイプ(10k/1タスク)にまたがる100kの合成指示追従例を構築し,さらにステップ3の微調整に適合する。
  論文  参考訳（メタデータ） (2026-07-06T20:31:41Z)
• From Early Encoding to Late Suppression: Interpreting LLMs on Character Counting Tasks [49.57538588967748]
  LLM(Large Language Model)は、複雑なベンチマークでは優れているにもかかわらず、単語中の文字数などの基本的な記号的タスクにおいて失敗を示す。 我々は、LLaMA、Qwen、Gemmaなど、現代のアーキテクチャにまたがる一貫した現象を発見した。 LLMにおけるシンボリック推論失敗は,表現不足やスケール不足によるものではなく,モデル計算グラフ内の構造的干渉によるものであることを示す。
  論文  参考訳（メタデータ） (2026-04-01T11:40:12Z)
• $\ exttt{SEM-CTRL}$: Semantically Controlled Decoding [53.86639808659575]
  $texttSEM-CTRL$は、LLMデコーダに直接、リッチなコンテキスト依存制約とタスクおよびインスタンス固有のセマンティクスを強制する統一的なアプローチである。 texttSEM-CTRL$は、小さな訓練済みのLLMがより大きな変種や最先端の推論モデルよりも効率的に性能を向上することを可能にする。
  論文  参考訳（メタデータ） (2025-03-03T18:33:46Z)
• Heidelberg-Boston @ SIGTYP 2024 Shared Task: Enhancing Low-Resource Language Analysis With Character-Aware Hierarchical Transformers [2.3020018305241337]
  この研究は、13の歴史的言語に対するPoSタグ、形態的タグ付け、および補題化に焦点を当てている。 我々は、Sunなど(2023年)の階層的トークン化手法を適用し、DeBERTa-V3アーキテクチャの利点と組み合わせる。 私たちのモデルは制約付きサブタスクで1位を獲得し、制約のないタスクの勝者のパフォーマンスレベルにほぼ到達しました。
  論文  参考訳（メタデータ） (2024-05-30T15:23:34Z)
• Unify word-level and span-level tasks: NJUNLP's Participation for the WMT2023 Quality Estimation Shared Task [59.46906545506715]
  我々は、WMT 2023 Quality Estimation (QE)共有タスクにNJUNLPチームを紹介する。 私たちのチームは2つのサブタスクすべてで英語とドイツ語のペアの予測を提出しました。 我々のモデルは、単語レベルと細粒度エラースパン検出サブタスクの両方において、英語とドイツ語で最高の結果を得た。
  論文  参考訳（メタデータ） (2023-09-23T01:52:14Z)
• Link Prediction for Wikipedia Articles as a Natural Language Inference Task [1.1842520528140819]
  本稿では、自然言語推論(NLI)タスクとして定式化することで、ウィキペディアの記事の予測をリンクする手法を提案する。 ウィキペディア記事タスクのリンク予測のための文ペア分類に基づくシステムを実装した。 当システムでは,公開テストセットとプライベートテストセットでそれぞれ0.99996 Macro F1スコアと1.00000 Macro F1スコアを達成した。
  論文  参考訳（メタデータ） (2023-08-31T05:25:04Z)
• Plan, Eliminate, and Track -- Language Models are Good Teachers for Embodied Agents [99.17668730578586]
  事前訓練された大言語モデル(LLM)は、世界に関する手続き的な知識をキャプチャする。 Plan, Eliminate, and Track (PET)フレームワークはタスク記述をハイレベルなサブタスクのリストに変換する。 PETフレームワークは、人間の目標仕様への一般化のために、SOTAよりも15%改善されている。
  論文  参考訳（メタデータ） (2023-05-03T20:11:22Z)
• Task Residual for Tuning Vision-Language Models [69.22958802711017]
  タスク残差調整(TaskRes)と呼ばれる視覚言語モデル(VLM)のための新しい効率的なチューニング手法を提案する。 TaskResは、トレーニング済みモデルの事前知識とターゲットタスクに関する新たな知識を明示的に分離する。 提案されたTaskResは単純だが有効であり、11のベンチマークデータセットで以前のメソッドよりも大幅に上回っている。
  論文  参考訳（メタデータ） (2022-11-18T15:09:03Z)
• IDIAPers @ Causal News Corpus 2022: Efficient Causal Relation Identification Through a Prompt-based Few-shot Approach [3.4423596432619754]
  我々は、微調整言語モデル(LM)のための単純だが相補的手法のセットを活用することで、因果関係同定(CRI)タスクに対処する。 我々は、CRIタスクをマスキング言語モデリング問題(MLM)として扱う微調整LMのプロンプトベースの予測手法に従う。 本手法の性能を,データセット全体で訓練されたアンサンブル手法と比較する。
  論文  参考訳（メタデータ） (2022-09-08T16:03:50Z)
• Meta-Generating Deep Attentive Metric for Few-shot Classification [53.07108067253006]
  本稿では,新しい数ショット学習タスクのための特定のメトリックを生成するための,新しい深度メタジェネレーション手法を提案する。 本研究では,各タスクの識別基準を生成するのに十分なフレキシブルな3層深い注意ネットワークを用いて,メトリクスを構造化する。 特に挑戦的なケースでは、最先端の競合他社よりも驚くほどパフォーマンスが向上しています。
  論文  参考訳（メタデータ） (2020-12-03T02:07:43Z)

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。