論文の概要: NE-R1: Enhancing Named Entity Recognition Model via Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.02366v1
• Date: Wed, 02 Sep 2026 09:37:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.218259
• Title: NE-R1: Enhancing Named Entity Recognition Model via Reinforcement Learning
• Title（参考訳）: NE-R1:強化学習による名前付きエンティティ認識モデルの強化
• Abstract要約: 適応型検索拡張NERのための新しいフレームワークであるNE-R1を提案する。 NERのための「検索オンデマンド」機構を設計し、2段階のトレーニング手法によりモデルに統合する。 NE-R1は様々なベンチマークで最先端のパフォーマンスを達成し、平均的なF1スコアはドメイン内評価で2.52%、ゼロショットクロスドメイン評価で1.18%向上した。
• 参考スコア（独自算出の注目度）: 12.75939447499315
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Named Entity Recognition (NER) has achieved substantial progress since the advent of large language models (LLMs). Nevertheless, the recognition of long-tail and domain-specific entities remains challenging due to the deficiency in parametric knowledge. Retrieval-augmented generation (RAG) offers a promising remedy by injecting external knowledge, but it also introduces noise and unnecessary cost when dealing with familiar cases. In this paper, we propose NE-R1, a novel framework for adaptive retrieval-augmented NER. We design a "retrieval-on-demand" mechanism for NER. Then we integrate it into models by a two-stage training method: (1) multi-task instruction tuning initialization; (2) end-to-end RL optimization with CoT. To achieve reasonable selection between parameterized and external knowledge, we design a multi-dimensional reward considering both accuracy and retrieval benefit. NE-R1 achieves state-of-the-art performance on various benchmarks, with an average F1 score gain of 2.52% in in-domain evaluation and 1.18% in zero-shot cross-domain evaluation.
• Abstract（参考訳）: 名前付きエンティティ認識(NER)は、大規模言語モデル(LLM)の出現以来、大きな進歩を遂げている。 それでも、パラメトリック知識が不足しているため、長い尾とドメイン固有の実体の認識は難しいままである。 Retrieval-augmented Generation (RAG)は、外部知識を注入することで、有望な対策を提供するが、慣れ親しんだケースを扱う際には、ノイズや不要なコストも伴う。 本稿では,適応型検索拡張NERのための新しいフレームワークであるNE-R1を提案する。 NERのための「検索オンデマンド」機構を設計する。 次に,(1)マルチタスク命令チューニング初期化,(2)CoTを用いたエンドツーエンドRL最適化という2段階の訓練手法でモデルに組み込む。 パラメータ化された知識と外部知識の適切な選択を実現するために,精度と検索性の両方を考慮した多次元報酬を設計する。 NE-R1は様々なベンチマークで最先端のパフォーマンスを達成し、平均的なF1スコアはドメイン内評価で2.52%、ゼロショットクロスドメイン評価で1.18%向上した。

関連論文リスト

• RING: Retrieval-Internalized Generation for Continual Large-Scale Knowledge Injection [88.56816599695391]
  Retrieval-augmented Generation (RAG)は、事実性を改善すると同時に、サービス時のレイテンシとエンジニアリングオーバーヘッドを追加する。 アーキテクチャとトレーニングの両方にまたがる全体的パラダイムであるRING(Retrieval-Internalized Generation)を提案する。
  論文  参考訳（メタデータ） (2026-08-03T03:00:43Z)
• Ring-Zero: Scaling Zero RL to a Trillion Parameters for Emergent Reasoning [55.99621402404222]
  人間の注釈のない検証可能な報酬による強化学習は、しばしばゼロRLと呼ばれ、思考の連鎖的推論を引き出すための強力なパラダイムとして現れている。 我々はモデルから高品質な推論行動を引き出すことを目指している。 単純なスケーリングは、可読性、トークンの冗長性、適応的な推論深さの欠如に悩まされることがよくあります。
  論文  参考訳（メタデータ） (2026-07-14T06:14:55Z)
• Search-R2: Enhancing Search-Integrated Reasoning via Actor-Refiner Collaboration [49.9937230730202]
  本稿では,新たなアクター・リファイナ・コラボレーション・フレームワークであるSearch-R2を提案する。 提案手法は,生成過程をアクターに分解し,最初の推論軌道を生成する。 本稿では,検索-R2がモデルスケール全体にわたって強力なRAGとRLベースのベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-03T15:32:09Z)
• Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
  入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている 既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。 トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
  論文  参考訳（メタデータ） (2026-01-25T07:09:20Z)
• ASK: Adaptive Self-improving Knowledge Framework for Audio Text Retrieval [19.94287753279928]
  オーディオテキスト検索(ATR)の主流パラダイムは、ミニバッチベースのコントラスト学習に依存している。 Gradient Locality Bottleneck(GLB)は、モデルがバッチ外の知識を活用することを構造的に防止する。 Representation-Drift Mismatch(Representation-Drift Mismatch、RDM)とは、静的知識ベースが進化するモデルと徐々に不一致になり、ガイダンスがノイズになる現象である。
  論文  参考訳（メタデータ） (2025-12-11T14:48:30Z)
• A Mathematical Framework for Custom Reward Functions in Job Application Evaluation using Reinforcement Learning [0.8709142317087694]
  本稿では,小言語モデルに基づくより洗練された履歴書評価モデルを構築するための2段階のプロセスについて述べる。 このモデルはカスタム報酬関数上でGRPOを使用して微調整される。 その結果, GRPO分析モデルでは実世界の有効性が顕著に示され, 最終精度は91%であった。
  論文  参考訳（メタデータ） (2025-11-20T06:06:30Z)
• MiniOneRec: An Open-Source Framework for Scaling Generative Recommendation [44.05859062614669]
  MiniOneRecは、最初の完全なオープンソースジェネレーティブレコメンデーションフレームワークである。 SID構築にまたがるエンドツーエンドワークフロー、教師付き微調整、レコメンデーション指向の強化学習を提供する。 実験の結果,モデルサイズの増加に伴い,トレーニングと評価の両方の損失が一貫した下降傾向を示した。
  論文  参考訳（メタデータ） (2025-10-28T13:58:36Z)
• Reinforced Model Merging [53.84354455400038]
  本稿では,タスク統合に適した環境とエージェントを含むRMM(Reinforced Model Merging)という,革新的なフレームワークを提案する。 評価プロセス中にデータサブセットを利用することで、報酬フィードバックフェーズのボトルネックに対処し、RMMを最大100倍高速化する。
  論文  参考訳（メタデータ） (2025-03-27T08:52:41Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• AUC Maximization for Low-Resource Named Entity Recognition [37.31342703194106]
  名前付きエンティティ認識(NER)における現在の研究は、クロスエントロピー(CE)または条件付きランダムフィールド(CRF)を目的/剰余関数として使用している。 我々は,AUCスコアを最大化し,NERモデルの最適化を提案する。
  論文  参考訳（メタデータ） (2022-12-09T12:06:15Z)

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。