論文の概要: DE-NER : Zero-shot Named Entity Recognition via Dialogue Elicitation of Large Language Models

• arxiv url: http://arxiv.org/abs/2608.00538v1
• Date: Sat, 01 Aug 2026 08:46:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.748544
• Title: DE-NER : Zero-shot Named Entity Recognition via Dialogue Elicitation of Large Language Models
• Title（参考訳）: DE-NER : 大言語モデルの対話的励振によるゼロショット名前付きエンティティ認識
• Abstract要約: 我々は,LLMで符号化された知識を完全に抽出するために,Large Language Models (LLMs) のチャット機能を利用する対話型推論フレームワークであるDE-NERを紹介する。 実験により,提案手法は複数のベンチマークにおいてゼロショット設定において,平均3.75%のF1点向上率で競争ベースラインを上回った。
• 参考スコア（独自算出の注目度）: 3.8390058921374615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements of zero-shot Named Entity Recognition (NER) establish strong baselines by formulating sequence labeling into question answering where Large Language Models (LLMs) can be naturally adopted. However, existing LLM-based zero-shot NER methods suffer from the limitations of prompt and demonstration engineering. To address these issues with minimal human interventions, we introduce DE-NER, a dialogue elicitation framework which elicits the chatting ability of LLMs to fully extract the knowledge encoded in LLMs. Our experiments demonstrate that the proposed method outperform the competitive baselines in zero-shot settings across multiple benchmarks, with an average improvement of 3.75\% F1 points. Codes are released in https://github.com/kkkenshi/DE-NER.
• Abstract（参考訳）: 近年のゼロショット名前付きエンティティ認識 (NER) の進歩は,Large Language Models (LLMs) を自然に適用可能な質問応答に配列ラベルを定式化することによって,強力なベースラインを確立している。 しかし、既存のLLMベースのゼロショットNER法は、プロンプトとデモエンジニアリングの限界に悩まされている。 人間の介入を最小限に抑えるために,LLMのチャット能力を活用してLLMに符号化された知識を完全に抽出する対話型推論フレームワークであるDE-NERを導入する。 提案手法は,複数のベンチマークにおけるゼロショット設定において,平均3.75 % F1 点の改善により,競争ベースラインを上回り,性能が向上することを示した。 コードはhttps://github.com/kkkenshi/DE-NERで公開されている。

関連論文リスト

• Just Pass Twice: Efficient Token Classification with LLMs for Zero-Shot NER [0.0]
  大規模言語モデルは、ゼロショットのエンティティ認識に有用な広範な世界知識を符号化する。 JPT(Just Pass Twice)は、因果LLMが完全な双方向コンテキストで識別トークン分類を行うことができる簡易かつ効果的な手法である。 提案手法はゼロショットNERベンチマークの最先端結果を達成し,CrossNERベンチマークとMITベンチマークの平均で,従来のベストメソッドを+7.9 F1で上回り,同等のジェネレーティブメソッドよりも20倍以上高速である。
  論文  参考訳（メタデータ） (2026-04-06T20:39:31Z)
• ReverseNER: A Self-Generated Example-Driven Framework for Zero-Shot Named Entity Recognition with Large Language Models [9.886819209498514]
  ReverseNERは、ゼロショット名のエンティティ認識タスクにおいて、大きな言語モデルの制限を克服することを目的とした手法である。 NERの逆プロセスを通じて生成される数十のエンティティラベル付き文からなるサンプルライブラリを生成する。 LLMを用いたNER性能向上のためのエンティティレベルの自己整合性スコアリング機構を提案する。
  論文  参考訳（メタデータ） (2024-11-01T12:08:08Z)
• DynamicNER: A Dynamic, Multilingual, and Fine-Grained Dataset for LLM-based Named Entity Recognition [53.019885776033824]
  動的分類を伴うLarge Language Models (LLM) ベースの手法のために設計された最初のNERデータセットであるDynamicNERを提案する。 データセットは多言語および多言語で、8言語と155のエンティティタイプをカバーし、コーパスはさまざまなドメインにまたがる。 実験によると、DynamicNERはLLMベースのNERメソッドの堅牢で効果的なベンチマークとして機能している。
  論文  参考訳（メタデータ） (2024-09-17T09:32:12Z)
• llmNER: (Zero|Few)-Shot Named Entity Recognition, Exploiting the Power of Large Language Models [1.1196013962698619]
  本稿では,大規模言語モデル(LLM)を用いたゼロショットおよび少数ショットNERを実装するPythonライブラリであるllmNERについて述べる。 llmNERはプロンプトを作成し、モデルをクエリし、LLMによって返される完了を解析することができる。 ライブラリの柔軟性を示すため、2つのNERタスクでソフトウェアを検証しました。
  論文  参考訳（メタデータ） (2024-06-06T22:01:59Z)
• CLOMO: Counterfactual Logical Modification with Large Language Models [109.60793869938534]
  本稿では,新しいタスク,CLOMO(Counterfactual Logical Modification)と高品質な人間アノテーションベンチマークを紹介する。 このタスクでは、LLMは所定の論理的関係を維持するために、与えられた議論的テキストを順応的に変更しなければなりません。 LLMの自然言語出力を直接評価する革新的な評価指標である自己評価スコア(SES)を提案する。
  論文  参考訳（メタデータ） (2023-11-29T08:29:54Z)
• InfiMM-Eval: Complex Open-Ended Reasoning Evaluation For Multi-Modal Large Language Models [50.03163753638256]
  MLLM(Multi-modal Large Language Models)は人工知能の分野で注目されている。 本ベンチマークは, 帰納的, 帰納的, 類推的推論の3つの主要な推論カテゴリから構成される。 我々は,この厳密に開発されたオープンエンド多段階精巧な推論ベンチマークを用いて,代表MLLMの選択を評価する。
  論文  参考訳（メタデータ） (2023-11-20T07:06:31Z)
• Zero-Shot Question Answering over Financial Documents using Large Language Models [0.18749305679160366]
  我々は,財務報告に対するマルチホップ数値推論を必要とする複雑な問題に答えるために,大規模言語モデル(LLM)に基づくアプローチを導入する。 LLMを誘導する新しいゼロショットプロンプトを使用して、必要な推論をPythonプログラムやドメイン固有言語にエンコードします。
  論文  参考訳（メタデータ） (2023-11-19T16:23:34Z)
• GLiNER: Generalist Model for Named Entity Recognition using Bidirectional Transformer [4.194768796374315]
  名前付きエンティティ認識(NER)は、様々な自然言語処理(NLP)アプリケーションに必須である。 本稿では,任意の種類のエンティティを識別するために訓練されたコンパクトなNERモデルを提案する。 我々のモデルであるGLiNERは、Large Language Models (LLM) の遅いシーケンシャルトークン生成に対するアドバンテージである並列エンティティ抽出を容易にする。
  論文  参考訳（メタデータ） (2023-11-14T20:39:12Z)
• FollowBench: A Multi-level Fine-grained Constraints Following Benchmark for Large Language Models [79.62191017182518]
  FollowBenchは、大規模言語モデルのベンチマークに続くきめ細かい制約のベンチマークである。 本稿では,初期命令に段階的に1つの制約を付加するマルチレベル機構を提案する。 FollowBench上での13のLLMの評価により,LLMの弱さと今後の研究への道のりを示す。
  論文  参考訳（メタデータ） (2023-10-31T12:32:38Z)
• HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models [81.56455625624041]
  ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。 提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。 合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
  論文  参考訳（メタデータ） (2023-09-27T14:44:10Z)
• Self-Prompting Large Language Models for Zero-Shot Open-Domain QA [67.08732962244301]
  Open-Domain Question Answering (ODQA)は、背景文書を明示的に提供せずに質問に答えることを目的としている。 このタスクは、調整済みの検索リーダーモデルをトレーニングするデータがないゼロショット設定で顕著に困難になる。 本稿では,大規模言語モデルのパラメータに符号化された膨大な知識を明示的に活用するセルフプロンプトフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-16T18:23:43Z)

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。