論文の概要: EdgeLM: Edge Demonstrations for Language Models' Table Understanding

• arxiv url: http://arxiv.org/abs/2608.04390v1
• Date: Wed, 05 Aug 2026 02:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.696739
• Title: EdgeLM: Edge Demonstrations for Language Models' Table Understanding
• Title（参考訳）: EdgeLM: 言語モデルのテーブル理解のためのエッジデモ
• Authors: Soroush Omidvartehrani, Mohammadamin Habibollah, Mohammadreza Daviran, Davood Rafiei,
• Abstract要約: 本稿では,エッジエビデンスを選択する検索フレームワークEdgeLMを提案する。 5つのデータラングリングタスク、15のデータセット、5つのオープンウェイトでプロプライエタリなLLMに対して、EdgeLMは、すべての設定で最高またはほぼ最高のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 7.361394060875672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) perform table-centric prediction through in-context learning, making demonstration selection critical to performance. Existing retrieval methods prioritize similarity to the query, but similar demonstrations often reinforce the model's likely prediction rather than reveal the distinctions needed for difficult decisions. We propose EdgeLM, a retrieval framework that instead selects edge evidence, demonstrations that are both relevant to the query and informative about the decision boundary. EdgeLM retrieves two complementary forms of edge evidence by selecting data edges, nearby examples with different ground-truth labels, and model edges, similar examples previously misclassified by the deployed model. EdgeLM requires neither model retraining nor task-specific engineering. Across five data wrangling tasks, fifteen datasets, and five open-weight and proprietary LLMs, EdgeLM consistently achieves the best or near-best performance in every setting, while ablations show that the two forms of edge evidence provide complementary benefits. Our code and datasets are publicly available at https://github.com/soroushomidvar/EdgeLM.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、文脈内学習を通じてテーブル中心の予測を行い、実演選択をパフォーマンスにクリティカルにする。 既存の検索方法はクエリと類似性を優先するが、同様のデモは難しい決定に必要な区別を明らかにするよりも、モデルの予測を補強することが多い。 エッジエビデンスを選択するための検索フレームワークであるEdgeLMを提案する。 EdgeLMは、データエッジを選択することによって2つの補完的なエッジエビデンスを検索する。 EdgeLMはモデル再トレーニングもタスク固有のエンジニアリングも必要としない。 5つのデータラングリングタスク、15のデータセット、5つのオープンウェイトでプロプライエタリなLLMに対して、EdgeLMは一貫して、すべての設定において最高の、またはほぼ最高のパフォーマンスを達成しています。 コードとデータセットはhttps://github.com/soroushomidvar/EdgeLM.comで公開されています。

関連論文リスト

• MODF-SIR: A Multi-agent Omni-modal Distilled Framework for Social Intelligence Reasoning [80.41987492855971]
  軽量なマルチモーダル大言語モデル(MLLM)に基づくマルチエージェント協調フレームワークを提案する。 このアーキテクチャでは、ソーシャルインテリジェンスに関連するマルチモーダルデータが正確にローカライズされている。 IntentTrainのトレーニングデータの約30%で、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2026-06-10T12:44:02Z)
• Can LLM Annotations Replace User Clicks for Learning to Rank? [112.2254432364736]
  大規模な教師付きデータは最新のランキングモデルのトレーニングには不可欠だが、高品質な人的アノテーションの取得にはコストがかかる。 クリックデータは低コストの代替手段として広く使われており、近年の大規模言語モデル(LLM)の発展に伴い、LLMベースの関連アノテーションも有望なアノテーションとして登場した。 公開データセットであるTianGong-STと、産業データセットであるBaidu-Clickの両方の実験は、クリック管理モデルが高周波クエリでより良いパフォーマンスを示すことを示している。 データスケジューリングと周波数対応多目的学習という2つのトレーニング戦略を検討し、両方の監視信号を統合する。
  論文  参考訳（メタデータ） (2025-11-10T02:26:14Z)
• CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。 従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。 粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• Aligning Language Models with Demonstrated Feedback [58.834937450242975]
  Demonstration ITerated Task Optimization (DITTO)は、言語モデルの出力とユーザの実証された振る舞いを直接調整する。 我々は,DITTOがニュース記事やメール,ブログ記事などのドメイン間できめ細かいスタイルやタスクアライメントを学習する能力を評価する。
  論文  参考訳（メタデータ） (2024-06-02T23:13:56Z)
• TableLLM: Enabling Tabular Data Manipulation by LLMs in Real Office Usage Scenarios [51.66718740300016]
  TableLLMは80億のパラメータを持つ堅牢な大規模言語モデル(LLM)である。 TableLLMはデータ操作タスクを巧みに扱うために構築されている。 我々は、ユーザインタラクションのためのモデルチェックポイント、ソースコード、ベンチマーク、Webアプリケーションをリリースした。
  論文  参考訳（メタデータ） (2024-03-28T11:21:12Z)
• A Language Model based Framework for New Concept Placement in Ontologies [33.31096456574208]
  言語モデルを用いて,テキストから抽出した概念をオントロジーに挿入する作業について検討する。 本稿では,埋め込み型手法とコントラスト学習を応用したニューラルネットワーク手法を提案する。 SNOMED CTとMedMentionsエンティティリンクベンチマークを用いて作成した最近のデータセットの手法を評価する。
  論文  参考訳（メタデータ） (2024-02-27T21:27:35Z)
• Entity Matching using Large Language Models [3.7277730514654555]
  本稿では, PLM ベースのマーカに代わる, タスク固有の訓練データ依存モデルとして, LLM (Generative Large Language Model) を用いて検討する。 GPT4は一致判定のための構造化された説明を生成でき、一致した誤りの原因を自動的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-10-17T13:12:32Z)
• RetICL: Sequential Retrieval of In-Context Examples with Reinforcement Learning [53.52699766206808]
  In-Context Learning (RetICL) のための検索式を提案する。 RetICLは数学用語の問題解決と科学的質問応答のタスクに基づいて評価し,一貫した性能や一致,学習可能なベースラインを示す。
  論文  参考訳（メタデータ） (2023-05-23T20:15:56Z)

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。