論文の概要: MERGED: Multimodal Entity Resolution via Generated Expert Reasoning Distillation
- arxiv url: http://arxiv.org/abs/2609.01913v1
- Date: Tue, 01 Sep 2026 22:32:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:17.992327
- Title: MERGED: Multimodal Entity Resolution via Generated Expert Reasoning Distillation
- Title（参考訳）: MERGED: 生成エキスパート推論蒸留によるマルチモーダルエンティティ分解
- Abstract要約: 大きな視覚言語モデル(VLM)はゼロショットを即座に新しい定義に適応させ、人間のラベルに欠けている理由を提供する。
MERGEDは、ラベルだけでなく、大きな教師のVLMからコンパクトな7Bパラメータの学生へ構造的推論を伝達するフレームワークである。
その結果、PR-AUCを13.79%改善した。
- 参考スコア（独自算出の注目度）: 5.8329875345662145
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In product entity resolution, relationship definitions constantly evolve with business needs, yet adapting to each change traditionally requires slow, costly human annotation that is often noisy and carries no reasoning. Large vision-language models (VLMs) prompted zero-shot can adapt to a new definition immediately and supply the reasoning that human labels lack, but their cost and latency are prohibitive at production scale. We present MERGED, a distillation framework that transfers not just labels but structured reasoning from large teacher VLMs into a compact 7B-parameter student, requiring no human annotation. Multiple teachers label each product pair and articulate the reasoning behind their decision: agreement pairs supply supervised fine-tuning, while disagreements are resolved by a meta-judge into preference pairs for Direct Preference Optimization. Evaluated against human-labeled ground truth on a multilingual e-commerce dataset, the resulting student improves PR-AUC by 13.79% over the same backbone trained on human labels and surpasses the larger Qwen2.5-32B-VL baseline by 6.32% at 6x lower cost, while also yielding tighter label-reasoning alignment (over 10% above Qwen2.5-32B-VL). Moreover, re-applying MERGED from an existing checkpoint adapts to a new relationship definition with only 10K samples, improving PR-AUC by 6.97% over zero-shot and outperforming from-scratch training. MERGED enables rapid adaptation to evolving relationship definitions, supporting a new one in days rather than months, at a cost and latency suitable for large-scale industrial deployment.
- Abstract（参考訳）: 製品エンティティの解決においては、関係定義はビジネスニーズによって常に進化しますが、従来の変更に適応するには、しばしば騒々しく、推論を行わない、遅くてコストのかかる人的アノテーションが必要です。
大規模な視覚言語モデル(VLM)はゼロショットを即座に新しい定義に適応させ、人間のラベルに欠ける理由を提供するが、そのコストとレイテンシは生産規模で禁止される。
MERGEDはラベルだけでなく、大きな教師のVLMからコンパクトな7Bパラメータの学生へ構造的推論を伝達し、人間のアノテーションを必要としない蒸留フレームワークである。
複数の教師は、各製品ペアにラベルを付け、その決定の背後にある理由を明確にする: 合意ペアは監督された微調整を提供する。
多言語eコマースデータセット上の人間ラベルの真実に対して評価され、学生はPR-AUCを13.79%改善し、人間のラベルで訓練された同じバックボーンを上回り、より大きなQwen2.5-32B-VLベースラインを6倍の低コストで6.32%上回り、さらにより厳密なラベル推論アライメント(Qwen2.5-32B-VLの10%以上)を得る。
さらに、既存のチェックポイントからMERGEDを再適用することは、10Kサンプルのみとの新たな関係定義に適応し、ゼロショットよりもPR-AUCを6.97%改善し、オフスクラッチトレーニングより優れています。
MERGEDは、大規模産業展開に適したコストとレイテンシで、数ヶ月ではなく数日で新しいものをサポートする、関係定義の進化への迅速な適応を可能にする。
関連論文リスト
- RecGPT-Mobile-V2 Technical Report [22.10290138930905]
RecGPT-Mobile-V2は、意図的品質と実行効率をステージド設計の目的として扱うエンドツーエンドフレームワークである。
このフレームワークは異種間相互作用をエビデンス保存軌道に変換し、ドメイン適応と教師付きアライメントを通じてレコメンデーションネイティブ基盤を確立する。
オンライン検索分析では、クエリリコールチャネルは、確立されたリコールチャネルによってサーフェスされたインベントリに補完されるインベントリを検索することを示している。
論文 参考訳（メタデータ） (2026-08-25T09:23:17Z) - Long-Horizon Embodied Decision-Making via Multimodal Memory Compression [71.16335993005139]
DunphyBenchは、長期的な人間中心の意思決定のエージェントを評価するための新しいベンチマークだ。
MeMentoは、ユーザの好みに基づいて決定関連情報を選択的に圧縮する、優先条件付きマルチモーダルメモリ圧縮機である。
MeMentoはVLM駆動エージェントの精度を7.18%向上させ、メモリ使用率を最強のベースラインに比べて85.38%削減する。
論文 参考訳（メタデータ） (2026-08-02T19:29:48Z) - DeltaPrompts: Escaping the Zero-Delta Trap in Multimodal Distillation [49.98710755440242]
蒸留により、コンパクトなビジョンランゲージモデル(VLM)が強力な推論能力を得ることができる。
標準チャート/文書推論データセットにおけるプロンプトの最大69%は、事実上ゼロデルタである。
既存のデータセットをシードとして再利用し、学生の障害モードを積極的にターゲットとして、より良いプロンプトを生成するためのステージド合成パイプラインを提案する。
論文 参考訳（メタデータ） (2026-05-15T02:04:12Z) - Mind the Gap: Structure-Aware Consistency in Preference Learning [42.67092904252001]
嗜好学習は、大規模言語モデルと人間の意図との整合の基礎となっている。
ニューラルネットワークに典型的な等連続仮説集合に対して、標準代理は理論的に矛盾することを示す。
分離マージンの強制に依存する厳格な$H$一貫性境界を導出する。
我々はこれをStructure-Aware $H$-consistencyに拡張し、同義語とハードペアを扱うための応答間の意味的距離に基づいてマージンを適応する新しい目的(SA-DPO)を導入する。
論文 参考訳（メタデータ） (2026-04-30T11:24:04Z) - PEEM: Prompt Engineering Evaluation Metrics for Interpretable Joint Evaluation of Prompts and Responses [5.396994583933599]
提案するPEEM(Prompt Engineering Evaluation Metrics)は,プロンプトと応答を統一的に評価するためのフレームワークである。
PEEMは9つの軸を持つ構造化ルーブリックを定義している。3つのプロンプト基準(明瞭さ/構造、言語的品質、公正)と6つの応答基準(正確さ、客観性、妥当性、明確さ、簡潔さ)。
論文 参考訳（メタデータ） (2026-03-11T07:00:59Z) - Stepwise Penalization for Length-Efficient Chain-of-Thought Reasoning [66.22060690012512]
大規模な推論モデルは、より多くのテストタイム計算で改善されるが、しばしば過大評価され、正確さを向上することなくコストを上昇させる必要のない長い連鎖を生み出す。
本研究は,本質的な貢献に基づいて,ステップ間の長さ短縮を割り当てる,きめ細かいフレームワークであるSWAPを提案する。
論文 参考訳（メタデータ） (2026-02-27T20:23:59Z) - LK Losses: Direct Acceptance Rate Optimization for Speculative Decoding [67.61563011564388]
投機的復号化は自己回帰型大言語モデル(LLM)推論を加速させる。
標準トレーニングは、プロキシ目的としてKullback-Leibler(KL)の発散を最小限にする。
受入率を直接目標とする特別な訓練目標であるLK損失を提案する。
論文 参考訳（メタデータ） (2026-02-27T10:20:11Z) - RecGPT-V2 Technical Report [41.57739441038769]
大規模言語モデル(LLM)は、暗黙の行動パターンマッチングから明示的な意図推論へ、レコメンデータシステムを変換する大きな可能性を示している。
提案するRecGPT-V2には,暗黙的な行動パターンマッチングから明示的な意図推論へ,レコメンデータシステムを変換する4つの重要なイノベーションがある。
タオバオのオンラインA/Bテストでは、+2.98% CTR、+3.71% IPV、+2.19% TV、+11.46% NERが大幅に改善された。
論文 参考訳（メタデータ） (2025-12-16T15:40:44Z) - RefineBench: Evaluating Refinement Capability of Language Models via Checklists [71.02281792867531]
本研究は,2つの改良モード(ガイドリファインメントと自己リファインメント)を評価する。
ガイド付き改良では、プロプライエタリなLMと大きなオープンウェイトLMの両方が目標フィードバックを利用して、5ターン以内のほぼ完全なレベルへの応答を洗練できる。
これらの結果は、フロンティアLMは誤った反応を自己調整するためにブレークスルーを必要とすることを示唆している。
論文 参考訳（メタデータ） (2025-11-27T07:20:52Z) - Token-Level Inference-Time Alignment for Vision-Language Models [58.41370989069588]
VLM(Vision-Language Models)は、現代のマルチモーダルインテリジェンスの重要なバックボーンとなっている。
本稿では,基本VLMを凍結し,その分布を近似する報酬モデルをトレーニングする軽量フレームワークTITAを提案する。
推測中、暗黙の選好信号は報酬モデルと目標VLMの対数確率比として抽出され、密集した自己回帰フィードバックが得られる。
論文 参考訳（メタデータ） (2025-10-20T09:58:03Z) - Human-AI Collaboration Increases Efficiency in Regulatory Writing [0.0]
大規模言語モデル(LLM)プラットフォーム(AutoIND)は、規制出願の文書品質を維持しながら、最初のドラフト構成時間を短縮することができる。
AutoINDは最初の起草時間を$sim$97%削減した(IND-1では$sim$100hから3.7h、18,870ページ/61レポート、IND-2では2.6h、IND-2では11,425ページ/58レポート)。
重大な規制上の誤りは検出されなかったが, 強調, 簡潔さ, 明瞭さの欠如が指摘された。
論文 参考訳（メタデータ） (2025-09-10T18:02:23Z)
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。