論文の概要: REAP: Relation-Aware Elicitation and Parsing for Closed-Book Knowledge Base Construction from LLMs
- arxiv url: http://arxiv.org/abs/2608.10963v1
- Date: Tue, 11 Aug 2026 14:28:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:46.072384
- Title: REAP: Relation-Aware Elicitation and Parsing for Closed-Book Knowledge Base Construction from LLMs
- Title（参考訳）: REAP:LLMを用いた閉書知識ベース構築のためのリレーショナル・アウェア・リサイクリングとパーシング
- Abstract要約: クローズドブック設定で言語モデルから知識を構築するためのREAPシステムを提案する。
提案システムは,構造化連鎖推論,関係固有クエリ戦略,および推論に基づく空集合ゲートを組み合わせる。
テストセット上では、Mistral-Small-24B-Instruct-2501モデルに基づいて構築され、マクロF1スコアが0.62で、特に countryLandsCountry (F1 = 0.95)、 companyTradesAtStockExchange (F1 = 0.73)、hasBorderArea (F1 = 0.77) で強い結果が得られる。
- 参考スコア（独自算出の注目度）: 2.2685251390114565
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present the REAP system for the AKBC Shared Task 2026 on constructing knowledge bases from language models in a closed-book setting, subject to a budget of at most 32B parameters and no model fine-tuning. Our system combines structured chain-of-thought reasoning, relation-specific query strategies, and a reasoning-based empty-set gate to elicit parametric knowledge, followed by direct extraction into valid JSON arrays. On the test set, the system, built on the Mistral-Small-24B-Instruct-2501 model, achieves a macro-F1 score of 0.62, with particularly strong results on countryLandBordersCountry (F1 = 0.95), companyTradesAtStockExchange (F1 = 0.73), and hasArea (F1 = 0.77). Our code is publicly available at https://github.com/yammdd/AKBC-Shared-Task-2026.
- Abstract（参考訳）: 我々は,AKBC共有タスク2026のREAPシステムについて,少なくとも32Bパラメータの予算とモデル微調整を行わず,クローズドブック設定で言語モデルから知識ベースを構築することを提案する。
提案システムは,構造的連鎖推論,関係性固有のクエリ戦略,およびパラメトリックな知識を引き出すための推論に基づく空集合ゲートを組み合わせ,続いて有効なJSON配列への直接抽出を行う。
テストセットでは、Mistral-Small-24B-Instruct-2501モデルをベースに構築され、マクロF1スコアが0.62で、特に countryLandBordersCountry (F1 = 0.95)、 companyTradesAtStockExchange (F1 = 0.73)、hasArea (F1 = 0.77) で強い結果が得られる。
私たちのコードはhttps://github.com/yammdd/AKBC-Shared-Task-2026で公開されています。
関連論文リスト
- APEX-EM: Non-Parametric Online Learning for Autonomous Agents via Structured Procedural-Episodic Experience Replay [7.370176470430802]
LLMベースの自律エージェントは、永続的な手続き記憶を欠いている。
我々は,構造化手続き計画の蓄積,検索,再利用を行う非パラメトリックオンライン学習フレームワークであるAPEX-EMを提案する。
論文 参考訳（メタデータ） (2026-03-31T00:24:56Z) - BlackboxNLP-2025 MIB Shared Task: Exploring Ensemble Strategies for Circuit Localization Methods [64.5040037515574]
2つ以上の回路ローカライズ手法を組み込むことで性能が向上するかどうかを検討する。
並列アンサンブルでは、各エッジに割り当てられた属性スコアを異なる方法で組み合わせる。
逐次アンサンブルでは、EAP-IGを用いて得られたエッジ属性スコアを、より高価で高精度な回路識別法のためのウォームスタートとして使用する。
論文 参考訳（メタデータ） (2025-10-08T09:39:40Z) - Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。
AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。
結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
論文 参考訳（メタデータ） (2025-07-22T06:37:51Z) - LLMSR@XLLM25: An Empirical Study of LLM for Structural Reasoning [6.700515856842664]
We present Team asdfo123's submit to the LLMSR@XLLM25 shared task。
我々は、粒度、制御性、解釈可能な推論プロセスを生成する上で、大きな言語モデルを評価する。
提案手法は, マクロF1スコアを, より複雑で資源消費の少ないパイプラインと同等に達成し, 総合5位にランク付けする。
論文 参考訳（メタデータ） (2025-05-18T09:46:30Z) - ProofAug: Efficient Neural Theorem Proving via Fine-grained Proof Structure Analysis [50.020850767257095]
本稿では,LLMに様々な粒度で自動化手法を付加するProofAugを提案する。
本手法は,オープンソースのDeep-math-7bベースモデルとIsabelle証明アシスタントを用いて,MiniF2Fベンチマークで検証した。
また、ProofAugのLean 4バージョンを実装し、Kimina-Prover-seek-Distill-1.5Bのパス@1のパフォーマンスを44.3%から50.4%に改善します。
論文 参考訳（メタデータ） (2025-01-30T12:37:06Z) - OpenBA: An Open-sourced 15B Bilingual Asymmetric seq2seq Model
Pre-trained from Scratch [41.45002811060755]
本報告では,オープンソースの15Bバイリンガル非対称seq2seqモデルであるOpenBAについて述べる。
OpenBAを効果的かつ効率的な技術で強化するとともに,スクラッチからモデルをトレーニングするための3段階のトレーニング戦略を採用しています。
私たちのソリューションは、380Bトークンだけで非常に競争力のあるパフォーマンスを実現できます。
論文 参考訳（メタデータ） (2023-09-19T15:46:40Z) - Using Large Language Models for Knowledge Engineering (LLMKE): A Case
Study on Wikidata [3.0199774504647583]
ISWC 2023 LM-KBC Challengeの文脈において,知識工学のタスクにLarge Language Models (LLMs) を用いることを検討する。
本課題では,Wikidata から抽出した対象と関係のペアについて,学習済みの LLM を用いて,関連オブジェクトを文字列形式で生成し,それぞれの Wikidata QID にリンクする。
論文 参考訳（メタデータ） (2023-09-15T15:51:14Z) - LLM2KB: Constructing Knowledge Bases using instruction tuned context
aware Large Language Models [0.8702432681310401]
本稿では,大規模言語モデルを用いた知識ベース構築システム LLM2KB を提案する。
ISWC 2023で開かれたLM-KBCチャレンジでは,21関係の平均F1スコアが0.6185に達した。
論文 参考訳（メタデータ） (2023-08-25T07:04:16Z) - TabPFN: A Transformer That Solves Small Tabular Classification Problems
in a Second [48.87527918630822]
トレーニングされたトランスフォーマーであるTabPFNは、小さなデータセットの教師付き分類を1秒以内で行うことができる。
TabPFNはコンテキスト内学習(ICL)を行い、ラベル付きサンプルのシーケンスを使用して予測を行う。
提案手法は, 強化木よりも明らかに優れており, 230$times$ Speedupの複雑なAutoMLシステムと同等性能を示す。
論文 参考訳（メタデータ） (2022-07-05T07:17:43Z) - Unifying Language Learning Paradigms [96.35981503087567]
データセットやセットアップ全体にわたって普遍的に有効である事前学習モデルのための統一的なフレームワークを提案する。
本研究では, 事前学習対象を相互に配置し, 異なる対象間の補間を効果的に行う方法を示す。
また,テキスト内学習において,ゼロショットSuperGLUEで175B GPT-3,ワンショット要約でT5-XXLの性能を3倍に向上させた。
論文 参考訳（メタデータ） (2022-05-10T19:32:20Z) - Relation Extraction as Open-book Examination: Retrieval-enhanced Prompt
Tuning [109.7767515627765]
本稿では,関係抽出のための新たな半パラメトリックなプロンプトチューニング手法を提案する。
我々のモデルは、トレーニング中に重みに格納された知識を通して関係を推測する。
本手法は,標準的な教師付き設定と少数ショット設定の両方で最先端を実現することができる。
論文 参考訳（メタデータ） (2022-05-04T23:38:37Z) - Zero-Shot Recommendation as Language Modeling [1.0312968200748118]
既製の事前学習言語モデル(LM)を用いた推薦フレームワークを提案する。
我々は、LM確率で$u$と$m$の間の親和性を推定するテキストプロンプトを構築した。
我々は、コーパス分析でアイデアを動機付け、いくつかのプロンプト構造を評価し、LMベースの推奨と異なるデータ構造で訓練された標準行列分解を比較した。
論文 参考訳（メタデータ） (2021-12-08T09:16:03Z)
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。