Fugu-MT 論文翻訳(概要): Leveraging External Knowledge for Historical Document Restoration via Retrieval-Augmented Large Language Models

論文の概要: Leveraging External Knowledge for Historical Document Restoration via Retrieval-Augmented Large Language Models

arxiv url: http://arxiv.org/abs/2607.21936v1
Date: Fri, 24 Jul 2026 03:11:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 20:58:57.038409
Title: Leveraging External Knowledge for Historical Document Restoration via Retrieval-Augmented Large Language Models
Title（参考訳）: 検索型大規模言語モデルによる古文書復元のための外部知識の活用
Abstract要約: 検索強化世代(RAG)を用いた大規模言語モデルを活用した歴史文書復元のための新しい枠組みを提案する。我々の手法はベースラインを著しく上回り、一般的な文字と名前のエンティティの両方を復元する上で大きな成果を上げている。専門家評価を含む総合評価では、ARIがドメイン専門家の実践的なツールとして機能し、歴史的記録の分析を加速することを約束している。
参考スコア（独自算出の注目度）: 1.0026496861838445
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Historical documents act as invaluable knowledge archives but often suffer from illegibility due to physical deterioration and damage. While existing restoration methods based on masked language modeling effectively utilize local context, they struggle to restore named entities that require external historical knowledge. To address this limitation, we introduce a novel framework for historical document restoration that leverages large language models with retrieval-augmented generation (RAG). By combining the implicit knowledge of pre-trained LLMs with explicitly retrieved external context, our model ARI effectively mitigates the challenge of inferring context-dependent proper nouns. Extensive experiments on Korean historical documents demonstrate that our approach significantly outperforms baselines, achieving substantial gains in restoring both general characters and named entities. Furthermore, comprehensive evaluations including expert assessments confirm that ARI serves as a practical tool for domain experts, promising to accelerate the analysis of historical records.
Abstract（参考訳）: 歴史文書は貴重な知識アーカイブとして機能するが、身体の劣化や損傷によってしばしば不可解性に悩まされる。マスク付き言語モデリングに基づく既存の復元手法は、ローカルコンテキストを効果的に活用する一方で、外部の歴史的知識を必要とする名前付きエンティティの復元に苦労する。この制限に対処するために,検索強化世代(RAG)を用いた大規模言語モデルを活用した,歴史文書復元のための新しいフレームワークを提案する。事前学習されたLLMの暗黙的な知識と明示的に抽出された外部コンテキストを組み合わせることで、我々のモデルARIは文脈依存の固有名詞を推論する難しさを効果的に軽減する。韓国の史料を網羅した実験により,我々のアプローチはベースラインを著しく上回り,一般文字と名称の双方を復元する上で大きな成果を上げていることが明らかとなった。さらに、専門家評価を含む総合的な評価により、ARIがドメイン専門家の実践的なツールとして機能し、歴史的記録の分析を加速することを約束する。

関連論文リスト

Robust Interpretation of Historical Documents in Knowledge Graphs Through Query Inference and Execution [5.02509168950652]
本稿では,歴史的データへのより正確かつ検証可能なアクセスを提供するエージェント検索システムを提案する。我々は,OCR後訂正のための単語スポッティング技術と知識グラフ表現を統合するセミシンボリックフレームワークを提案する。
論文参考訳（メタデータ） (2026-07-27T14:11:20Z)
Conversational Retrieval and On-the-Fly Knowledge Modeling of Historical Penitentiary Repression Records [1.4804887845421213]
本稿では,歴史的デジタル図書館の管理を目的とした文書解析システムを提案する。このシステムは、専門家考古学者や文書検索プロセスに由来する事実を記憶する機能を備えている。
論文参考訳（メタデータ） (2026-07-09T13:18:52Z)
Pretraining Language Models on Historical Text [36.643370581003055]
我々は、1913年以前の英語テキストにのみ訓練された7.24B史言語モデル(LM)であるTypewriterLMを紹介した。我々は,54Bの歴史的コーパスであるTypewriterCorpusを構築し,広範囲なデータクリーニングと漏洩対策を行った。また,歴史的資料に直接的根拠を残さないように応答を制約するポストトレーニングフレームワークである,語彙的基盤のチューニングも導入する。
論文参考訳（メタデータ） (2026-06-02T00:59:06Z)
Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
論文参考訳（メタデータ） (2026-03-05T18:42:51Z)
Document Reconstruction Unlocks Scalable Long-Context RLVR [60.74632963522131]
RLVR(Reinforcement Learning with Verifiable Rewards)は、Large Language Models(LLM)の機能強化(長文)のための重要なパラダイムとなっている。我々は,LLMの長期的文脈能力を高めるための教師なしのアプローチについて検討し,重度の人的アノテーションや教師モデルの監督の必要性を排除した。提案手法の有効性をRULERとLongBenchv2の2つのベンチマークで検証した。
論文参考訳（メタデータ） (2026-02-09T03:23:23Z)
LANPO: Bootstrapping Language and Numerical Feedback for Reinforcement Learning in LLMs [73.27182315028021]
LANPOは、フィードバックの役割をきれいに分離するフレームワークである。我々の研究は、歴史体験をLLM RLループに統合する堅牢な方法を提供し、より効果的でデータ効率のよい学習エージェントを作成します。
論文参考訳（メタデータ） (2025-10-18T15:51:19Z)
Improving Context Fidelity via Native Retrieval-Augmented Reasoning [35.50952279309109]
大規模言語モデル(LLM)は、しばしば文脈の忠実さと闘い、提供された情報に基づいて質問に答えるときに矛盾する答えを生み出す。提案するCAREは, LLMに対して, モデル独自の検索機能を用いて, 推論プロセス内での文脈内証拠を明示的に統合するように教える, 新たなネイティブ検索拡張推論フレームワークである。提案手法では,限定ラベル付きエビデンスデータが必要であり,推論チェーン内の戦略的に検索されたインコンテキストトークンを通じて,検索精度と回答生成性能を著しく向上させる。
論文参考訳（メタデータ） (2025-09-17T04:28:07Z)
Named Entity Recognition of Historical Text via Large Language Model [1.5469452301122175]
名前付きエンティティ認識(NER)は、構造化されていないテキストから情報を抽出する上で重要な役割を果たす。伝統的に、NERは大量の注釈付きトレーニングデータを必要とする教師付き機械学習アプローチを使用して対処される。本研究では,NER に LLM を適用する可能性について,ゼロショットと少数ショットのプロンプト戦略を用いて検討した。 HIPE-2022データセットを用いて行った実験により, この環境下でのNERタスクにおいて, LLMは合理的に高い性能が得られることが示された。
論文参考訳（メタデータ） (2025-08-25T14:52:11Z)
Modern Models, Medieval Texts: A POS Tagging Study of Old Occitan [0.1979158763744267]
大規模言語モデル (LLM) は自然言語処理において顕著な能力を示した。本研究では,古オクシタンのPOSタグ付けにおけるオープンソースのLDMの性能について検討した。
論文参考訳（メタデータ） (2025-03-10T20:16:01Z)
Large Language Models are Limited in Out-of-Context Knowledge Reasoning [65.72847298578071]
大規模言語モデル (LLMs) は、文脈内推論の実行において広範な知識と強力な能力を持っている。本稿では、複数の知識を組み合わせて新しい知識を推論する、文脈外知識推論(OCKR)という、文脈外推論の重要な側面に焦点を当てる。
論文参考訳（メタデータ） (2024-06-11T15:58:59Z)
REAR: A Relevance-Aware Retrieval-Augmented Framework for Open-Domain Question Answering [115.72130322143275]
REAR(Relevance-Aware Retrieval-augmented approach for open-domain Question answering, QA) 我々は,特殊な設計のアセスメントモジュールを組み込むことで,LLMベースのRAGシステムのための新しいアーキテクチャを開発する。オープンドメインの4つのQAタスクの実験では、REARは以前の競争力のあるRAGアプローチよりも大幅に優れていた。
論文参考訳（メタデータ） (2024-02-27T13:22:51Z)
Enhancing Retrieval-Augmented Large Language Models with Iterative Retrieval-Generation Synergy [164.83371924650294]
検索と生成を反復的に同期させるIter-RetGenと呼ばれる手法により,高い性能が得られることを示す。モデル出力は、タスクを完了するために必要なものを示し、より関連する知識を取得するための情報的コンテキストを提供する。 Iter-RetGenプロセスは、すべての知識を全体として取得し、構造的な制約なしに生成時の柔軟性をほとんど保持します。
論文参考訳（メタデータ） (2023-05-24T16:17:36Z)

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。