論文の概要: CONSISTRE: A Unified Consistency-Aware Framework for Document-Level Relation Extraction with Large Language Models

• arxiv url: http://arxiv.org/abs/2607.24312v1
• Date: Mon, 27 Jul 2026 11:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.408693
• Title: CONSISTRE: A Unified Consistency-Aware Framework for Document-Level Relation Extraction with Large Language Models
• Title（参考訳）: CONSISTRE:大規模言語モデルを用いた文書レベル関係抽出のための統一一貫性対応フレームワーク
• Abstract要約: ドキュメントレベルの関係抽出(DocRE)は、拡張コンテキスト間で複数のエンティティ間の関係を抽出することを目的としている。 大規模言語モデル (LLM) は情報抽出において顕著な推論能力を示す。 LLMは、推移性、対称性、機能的一意性といった基本的な関係的制約に反し、矛盾し、信頼できない出力をもたらす。 本稿では,この制限に対処するDocRE用の統合整合性対応フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.083514956613383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Document-level relation extraction (DocRE) aims to extract relations among multiple entities across extended contexts while maintaining consistency across predicted triples. Although large language models (LLMs) show remarkable reasoning capabilities in information extraction, their predictions are typically generated independently for each candidate triple and may violate fundamental relational constraints such as transitivity, symmetry, and functional uniqueness, leading to contradictory and unreliable outputs. We propose CONSISTRE, a unified consistency-aware framework for DocRE that addresses this limitation through two complementary tracks. The first operates at inference time for black-box LLMs, combining constraint-aware prompting, constraint-based verification, and iterative self-reflection to refine predictions without task-specific fine-tuning. The second injects consistency knowledge into smaller open-source models via a knowledge distillation and reinforcement learning pipeline: reasoning traces from a powerful teacher are distilled into a student via supervised fine-tuning, followed by GRPO alignment using a composite reward that jointly optimizes extraction performance and relational consistency. Together, the two tracks cover both API-accessible and locally deployable scenarios under a unified consistency formulation. Experiments on DocRED show that both tracks outperform their baselines, with the inference-time track achieving competitive F1 using off-the-shelf black-box LLMs and the training-time track substantially narrowing the gap between 7--8B open-source models and state-of-the-art proprietary LLMs at a fraction of their inference cost. Ablation studies confirm that explicit consistency modeling mitigates relational contradictions and enhances the reliability of LLM-based DocRE across both deployment paradigms.
• Abstract（参考訳）: 文書レベルの関係抽出(DocRE)は、予測三重項間の一貫性を維持しながら、拡張コンテキストにわたる複数のエンティティ間の関係を抽出することを目的としている。 大規模言語モデル(LLM)は情報抽出において顕著な推論能力を示すが、それらの予測は典型的には3つの候補ごとに独立して生成され、推移性、対称性、機能的特異性などの基本的な関係制約に反し、矛盾し、信頼できない出力をもたらす。 ConSISTREはDocRE用の一貫した一貫性を意識したフレームワークであり、2つの相補的なトラックを通してこの制限に対処する。 最初はブラックボックスLSMの推論時に動作し、制約認識のプロンプト、制約ベースの検証、反復的な自己回帰を組み合わせることで、タスク固有の微調整なしで予測を洗練する。 2つ目は、知識蒸留と強化学習パイプラインを通じて、より小さなオープンソースモデルに一貫性の知識を注入する: 強力な教師のトレースを教師による微調整によって学生に蒸留し、続いて、抽出性能と関係性の整合性を共同で最適化する複合報酬を用いたGRPOアライメントを行う。 この2つのトラックは、統一された一貫性の定式化の下で、APIアクセス可能なシナリオとローカルにデプロイ可能なシナリオの両方をカバーする。 DocREDの実験では、両方のトラックがベースラインを上回り、市販のブラックボックスLLMを使用して競合するF1を達成し、トレーニングタイムトラックは7--8Bのオープンソースモデルと最先端のプロプライエタリLLMの間のギャップを、推論コストのごく一部で大幅に狭めている。 アブレーション研究では、明示的な一貫性モデリングがリレーショナルな矛盾を緩和し、両方のデプロイメントパラダイムにわたってLLMベースのDocREの信頼性を高めることが確認されている。

関連論文リスト

• Partition-Aware Unlearning for Removing Spurious Correlations in Large Vision-Language Models [12.293070202366316]
  LVLM(Large Vision-Language Models)は多くのマルチモーダルタスクにおいて高いパフォーマンスを達成する。 それらはしばしば、刺激的なオブジェクト背景の堅牢性を利用しており、結果として、オブジェクト関連の視覚的証拠ではなく、文脈的ショートカットによって引き起こされる予測をもたらす。 我々は,LVLMにおけるスプリラス相関による障害を構築,ベンチマーク,緩和するフレームワークであるPURGEを紹介する。
  論文  参考訳（メタデータ） (2026-08-30T19:42:47Z)
• PLUME: Latent Reasoning Based Universal Multimodal Embedding [52.35354073629127]
  ユニバーサルマルチモーダル埋め込み(UME)は、異種入力を単一のモデルで共有検索空間にマッピングする。 最近のアプローチでは、埋め込みを抽出する前に明確なチェーン・オブ・シント(CoT)論理を生成することにより、UMEを改善している。 PLUMEは,言語化されたCoTを連続的潜伏状態の短時間の自己回帰ロールアウトに置き換えることで,UMEを進化させる潜在的推論フレームワークである。
  論文  参考訳（メタデータ） (2026-04-02T14:04:53Z)
• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• Relation as a Prior: A Novel Paradigm for LLM-based Document-level Relation Extraction [4.476410350566294]
  LLMに基づく文書レベルの関係抽出(DocRE)のための新しいリレーショナル・アズ・プライマリ(RelPrior)パラダイムを提案する。 RelPriorは、二項関係を抽出の先行として利用し、2つのエンティティが相関しているかどうかを決定し、無関係なエンティティペアをフィルタリングする。 2つのベンチマークの大規模な実験により、RelPriorは既存のLCMベースの手法を超越して最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-11-11T11:55:27Z)
• Generative Reasoning Recommendation via LLMs [48.45009951684554]
  大規模言語モデル(LLM)は、生成的推論レコメンデーションモデル(GRRM)として機能する上で、根本的な課題に直面している。 本研究は,レコメンデーションタスクに対する統一的な理解・推論・予測方法を実現する,事前学習されたLLMを適用してGRRMを構築する方法について検討する。 本稿では,協調的セマンティックアライメント(Collaborative-Semantic Alignment),Reasoning Curriculum Activation(Reasoning Curriculum Activation),Sparse-Regularized Group Policy Optimization(Sparse-Regularized Group Policy Optimization)の3つのコンポーネントを統合するエンドツーエンドフレームワークであるGREAMを提案する。
  論文  参考訳（メタデータ） (2025-10-23T17:59:31Z)
• A Tale of Two Experts: Cooperative Learning for Source-Free Unsupervised Domain Adaptation [59.88864205383671]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、ソースデータにアクセスすることなく、ターゲットドメインにソース学習モデルを適用するという現実的な課題に対処する。 既存のSFUDA手法は、ソースモデルの予測のみを利用するか、大きなマルチモーダルモデルを微調整する。 本稿では、補完的な洞察と対象データの潜在構造を利用するためのエキスパート協調学習(EXCL)を提案する。
  論文  参考訳（メタデータ） (2025-09-26T11:39:50Z)
• Synergistic Anchored Contrastive Pre-training for Few-Shot Relation Extraction [4.7220779071424985]
  Few-shot Relation extract (FSRE) は、ラベル付きコーパスのスパースセットから事実を抽出することを目的としている。 近年の研究では、事前学習言語モデルを用いたFSREの有望な結果が示されている。 本稿では,新しい相乗的アンカー付きコントラスト事前学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-19T10:16:24Z)
• Improving Open Information Extraction with Large Language Models: A Study on Demonstration Uncertainty [52.72790059506241]
  オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。 一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
  論文  参考訳（メタデータ） (2023-09-07T01:35:24Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)

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。