論文の概要: Bridging Lexical Divergence: LLM-Assisted, Cost-Efficient, Zero-shot Scientific Entity Linking

• arxiv url: http://arxiv.org/abs/2609.00228v1
• Date: Mon, 31 Aug 2026 18:37:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.97866
• Title: Bridging Lexical Divergence: LLM-Assisted, Cost-Efficient, Zero-shot Scientific Entity Linking
• Title（参考訳）: ブリッジング語彙の多様性:LLM支援、費用効率、ゼロショット科学エンティティリンク
• Abstract要約: Sci-ZSEL は計算コストを制御するために LLM でエンティティエイリアスを生成するフレームワークである。 動物科学の新たなELベンチマークを3つの家畜の特徴に関連づけて公開し、言及や実体は既存のベンチマークよりもかなり低い語彙重なりを示す。
• 参考スコア（独自算出の注目度）: 12.22416811110842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific domain entity linking (EL) differs from general domain EL because mentions and entity names often lack lexical overlap. Another challenge is that specialized terminology is used in the scientific domain, which is rarely encountered in models pretrained on general domains. Therefore, models trained on general domains transfer poorly to scientific domains. To address this, in-domain fine-tuning is the natural remedy. However, many scientific domains lack expert-annotated data, motivating the need for a zero-human-annotation approach. Existing zero-shot methods heavily rely on LLMs to generate aliases across entire mention corpora, which incurs substantial computational cost, and those methods provide no mechanism to filter out noise from LLMs. To address these challenges, we propose Sci-ZSEL, a framework that selectively generates entity aliases with an LLM to control computational cost, and applies an ontology-aware filter to remove aliases that semantically drift toward ontology neighbors. Then, filtered aliases are used to construct pseudo-labeled mention-entity pairs for fine-tuning. To enable evaluation of EL under low lexical overlap, we also release a new animal science EL benchmark linked to three livestock trait ontologies, where mentions and entities exhibit substantially lower lexical overlap than in existing benchmarks. Across five benchmarks, Sci-ZSEL outperforms the non-fine-tuned baseline, is most useful on nonoverlapping mentions, and combining it with curated synonyms gives the best performance in most settings.
• Abstract（参考訳）: 科学的なドメイン・エンティティ・リンク(EL)は一般的なドメイン・ELとは異なる。 もう1つの課題は、専門用語が科学領域で使われ、一般領域で事前訓練されたモデルではめったに見られないことである。 したがって、一般ドメインで訓練されたモデルは、科学的ドメインにはあまり移行しない。 これを解決するために、ドメイン内の微調整が自然な治療である。 しかし、多くの科学的領域には専門家による注釈データがなく、ゼロ・ヒューマン・アノテーション・アプローチの必要性を動機付けている。 既存のゼロショット法は、LLMからノイズを除去するメカニズムを提供していないため、計算コストを大幅に上回る全コーパスのエイリアスを生成するのに、LLMに大きく依存している。 これらの課題に対処するため,LLMを用いたエンティティエイリアスを選択的に生成するフレームワークSci-ZSELを提案する。 次に、フィルタエイリアスを用いて、微調整のための擬似ラベル付き参照エンティリティペアを構築する。 また,低語彙重なり下でのELの評価を可能にするため,3つの家畜形質オントロジーに関連付けられた新しい動物科学ELベンチマークを公表した。 5つのベンチマークで、Sci-ZSELは非微調整ベースラインよりも優れており、重複しない参照に対して最も有用であり、キュレートされた同義語と組み合わせることで、ほとんどの設定で最高のパフォーマンスが得られる。

関連論文リスト

• DE-NER : Zero-shot Named Entity Recognition via Dialogue Elicitation of Large Language Models [3.8390058921374615]
  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。
  論文  参考訳（メタデータ） (2026-08-01T08:46:53Z)
• A semantic mutation metric for metamorphic relation adequacy in scientific computing programs [6.691613382732758]
  5つのドメイン・セマンティック演算子上に構築されたSemantic Mutation Score (SMS)を提案する。 SMSは、ほとんどどこでも、特徴化された制限でMSに縮退する。 SMSは、科学計算におけるドメイン・セマンティック・リレーション・セットの後方互換性の尺度である。
  論文  参考訳（メタデータ） (2026-05-17T13:16:13Z)
• SAM-NER: Semantic Archetype Mediation for Zero-Shot Named Entity Recognition [50.82878172248818]
  emphSemantic Archetype Mediationは中間的、領域不変なアーキタイプ空間を介してクロスドメイン転送を安定化する。 SAM-NERは、クロスドメイン設定でZS-NERベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-05T12:54:17Z)
• Enhancing Transformer-Based Rerankers with Synthetic Data and LLM-Based Supervision [0.13999481573773073]
  大きな言語モデル(LLM)は、その深いセマンティック理解と推論のために、再分類時に優れている。 微調整の小さなタスク固有のモデルは、より効率的な代替手段だが、通常は手動でラベル付けされたデータに頼っている。 本稿では,人間ラベルのクエリドキュメントペアの必要性を解消する新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-09-23T09:47:27Z)
• Remining Hard Negatives for Generative Pseudo Labeled Domain Adaptation [0.649970685896541]
  最先端のドメイン適応技術はGenerative Pseudo Labeling (GPL)である ドメイン適応モデルにより検索された文書を分析し、これらが非適応モデルよりもターゲットクエリに関連があることを発見する。 我々のリミニングR-GPLアプローチは、13/14 BEIRデータセットと9/12 LoTTeデータセットのランキングパフォーマンスを向上します。
  論文  参考訳（メタデータ） (2025-01-24T12:02:37Z)
• Exploring Language Model Generalization in Low-Resource Extractive QA [57.14068405860034]
  ドメインドリフト下でのLarge Language Models (LLM) を用いた抽出質問応答(EQA)について検討する。 性能ギャップを実証的に説明するための一連の実験を考案する。
  論文  参考訳（メタデータ） (2024-09-27T05:06:43Z)
• 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)
• Allies: Prompting Large Language Model with Beam Search [107.38790111856761]
  本研究では,ALIESと呼ばれる新しい手法を提案する。 入力クエリが与えられた場合、ALLIESはLLMを活用して、元のクエリに関連する新しいクエリを反復的に生成する。 元のクエリのスコープを反復的に精錬して拡張することにより、ALLIESは直接検索できない隠れた知識をキャプチャし、利用する。
  論文  参考訳（メタデータ） (2023-05-24T06:16:44Z)
• Zero-Shot Learning in Named-Entity Recognition with External Knowledge [4.39139858370436]
  我々は,ゼロショットと少数ショット学習をNERで行うモデルであるZEROを提案し,未知の領域に一般化する。 ZEROはまず、モデルLUKEを用いて入力文の文脈化された単語表現を取得し、その次元を減少させ、それらを外部知識の埋め込みと直接比較する。 平均マクロF1スコア0.23のNERドメインではZEROが良好に動作し、数ショットの学習ではLUKEよりも優れ、ドメイン内比較では競合スコアさえも達成している。
  論文  参考訳（メタデータ） (2021-11-15T13:28:27Z)
• Domain Adaptation with Auxiliary Target Domain-Oriented Classifier [115.39091109079622]
  ドメイン適応は、知識をラベルリッチだが異質なドメインからラベルケアドメインに転送することを目的としている。 最も一般的なSSLテクニックの1つは、ラベルのない各データに擬似ラベルを割り当てる擬似ラベル付けである。 我々はAuxiliary Target Domain-Oriented (ATDOC) と呼ばれる新しい擬似ラベリングフレームワークを提案する。 ATDOCは、ターゲットデータのみのための補助分類器を導入してバイアスを軽減し、擬似ラベルの品質を向上させる。
  論文  参考訳（メタデータ） (2020-07-08T15:01:35Z)
• Zero-Resource Cross-Domain Named Entity Recognition [68.83177074227598]
  既存のドメイン名付きエンティティ認識モデルは、多くのラベルなしコーパスや、ターゲットドメイン内のラベル付きNERトレーニングデータに依存している。 外部リソースを一切使用しないドメイン間NERモデルを提案する。
  論文  参考訳（メタデータ） (2020-02-14T09:04:18Z)

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。