論文の概要: Retrieval-Augmented Multi-Prompt Ensemble for Minor-Grain Breeding Information Extraction

• arxiv url: http://arxiv.org/abs/2609.07134v1
• Date: Mon, 07 Sep 2026 07:30:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 01:27:15.09186
• Title: Retrieval-Augmented Multi-Prompt Ensemble for Minor-Grain Breeding Information Extraction
• Title（参考訳）: 微小粒育種情報抽出のための検索強化マルチプロンプトアンサンブル
• Abstract要約: RAME(Retrieval-Augmented Multi-Prompt Ensemble)は、複数のLCM出力を制御された多様性の下で引き出すトレーニングフリーフレームワークである。 RAMEは総スコア0.499(NER 0.730, RE 0.346)を獲得し、GPT-5.5(0.448)を搭載した公式のトラックAベースラインを上回った。
• 参考スコア（独自算出の注目度）: 45.40972888157319
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents our system for CCL2026-Eval Task 5: Minor-Grain Breeding Information Extraction (MGBIE), which jointly extracts 12 entity types and 6 relation types from minor-grain breeding literature. We propose RAME (Retrieval-Augmented Multi-Prompt Ensemble), a training-free framework that elicits multiple LLM outputs under controlled diversity and aggregates them by majority voting to obtain high-confidence predictions. RAME combines (i) retrieval-augmented few-shot selection via a hybrid BM25-embedding retriever, (ii) a three-prompt ensemble (Strict, Relaxed, Balanced) spanning the precision to recall spectrum, and (iii) large-scale repeated sampling with majority voting to filter noisy predictions. Built on DeepSeek-V4-Flash, RAME achieves a Total Score of 0.499 (NER 0.730, RE 0.346) on the leaderboard, ranking 1st and surpassing the official Track-A baseline powered by GPT-5.5 (0.448), representing an 11.4% relative improvement. Code is available at https://github.com/king-wang123/CCL26-RAME.
• Abstract（参考訳）: 本稿では,CCL2026-Eval Task 5: Minor-Grain Breeding Information extract (MGBIE) について述べる。 制御された多様性の下で複数のLCM出力を抽出し、多数決によりそれらを集約し、高信頼度予測を得るトレーニングフリーフレームワークであるRAME(Retrieval-Augmented Multi-Prompt Ensemble)を提案する。 RAMEが組み合わさる (i)ハイブリッドBM25埋め込みレトリバーによる検索強化数ショット選択 (二 スペクトルを想起する精度にまたがる三発アンサンブル(複雑、緩和、バランス) 三 多数決による大規模な繰り返しサンプリングを行い、雑音予測をフィルタリングする。 DeepSeek-V4-FlashをベースとしたRAMEの総スコアは0.499 (NER 0.730, RE 0.346)であり、GPT-5.5 (0.448) をベースとしたTrack-Aベースラインを1位にランクインし、11.4%の相対的な改善を示している。 コードはhttps://github.com/king-wang123/CCL26-RAMEで入手できる。

関連論文リスト

• Multi-Modal Semantic Expansion with Constrained LLM Reranking for Conversational Music Recommendation [2.8110777003480654]
  本稿では,ACM RecSys 2026 TalkPlayData Challengeに対するSemiintelligencnのソリューションについて紹介する。 提案システムでは,(1)高密度埋め込み空間を横断する減衰重み付きセントロイドを構成するマルチモーダル探索を行う。 差分進化により500セッション展開分割でRF重量を最適化し、MRRを+19.5%改善する。
  論文  参考訳（メタデータ） (2026-08-24T16:48:50Z)
• Cost-Pragmatic Quality Gating and Selection-Fusion Multi-Model Combiners for BioASQ Phases A+ and B [1.348563827917271]
  作業の中心は、第一段階の検索が弱いときにいかに積極的に再検索するか、そして複数の言語モデル回答を組み合わせる方法である。 タスク12B 2024の検証では、コストプラグマチックな再検索ポリシーが、F1とリストの精度で12%のコストで、スキル制限ベースラインを大幅に上回る。 フェーズBの解答では、多モデルアンサンブルリフトを、各問合せのオラクルとアグリゲータが超える融合成分によって束縛された選択成分に分解する。
  論文  参考訳（メタデータ） (2026-07-15T07:56:33Z)
• MSMixer: Learned Multi-Scale Temporal Mixing with Complementary Linear Shortcut for Long-Term Time Series Forecasting [0.0]
  長期の時系列予測には、急激な振動、中距離周期性、固定されたルックバックウィンドウからの緩やかなマクロトレンドを同時にキャプチャするモデルが必要である。 既存の軽量モデルは通常、単一の時間分解能で動作し、複数のスケールでパターンを明示的にモデル化する能力を制限する。 本稿では,チャネルに依存しないマルチスケールアーキテクチャであるMSMixerを提案する。
  論文  参考訳（メタデータ） (2026-05-04T15:03:46Z)
• AILS-NTUA at SemEval-2026 Task 8: Evaluating Multi-Turn RAG Conversations [14.20669481486209]
  我々はSemEval-2026タスク8(MTRAGEval)のためのAILS-NTUAシステムを提案する。 マルチターン検索拡張生成の3つのサブタスク、すなわち、経路検索(A)、基準接地応答生成(B)、エンドツーエンドRAG(C)のすべてに対処する。 統一アーキテクチャは、(i)クエリ-ダイバーシティ-オーバー・レトリバー-ダイバーシティ戦略と(ii)マルチステージ生成パイプラインという2つの原則に基づいて構築されています。
  論文  参考訳（メタデータ） (2026-03-11T08:28:31Z)
• Scoring, Reasoning, and Selecting the Best! Ensembling Large Language Models via a Peer-Review Process [58.265053900416895]
  LLM-PeerReviewは、ピアレビューに触発された新しいフレームワークの上に構築されている。 スコアリングには、新たなLCM-as-a-Judgeテクニックを使用します。 推論にはグラフィカルモデルに基づく真理推論アルゴリズムを適用する。 最後に、最高スコア応答をベストアンサンブル出力として選択する。
  論文  参考訳（メタデータ） (2025-12-29T05:25:49Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• Squeeze the Soaked Sponge: Efficient Off-policy Reinforcement Finetuning for Large Language Model [56.92219181993453]
  本稿では,PPOやGRPOなどのオンラインRFT手法をオフ・ポリティクスデータに活用するために,Reincarnating Mix-policy Proximal Policy Gradient (ReMix)を提案する。 ReMix は,(1) 効率的なトレーニングのための更新データ(UTD)比が増大した混成政策勾配,(2) 安定性と柔軟性のトレードオフのバランスをとるためのKL-Convex 政策制約,(3) 効率的な早期学習から安定した改善へのシームレスな移行を実現するための政策再編成の3つの主要な構成要素から構成される。
  論文  参考訳（メタデータ） (2025-07-09T14:29:45Z)
• Cream of the Crop: Harvesting Rich, Scalable and Transferable Multi-Modal Data for Instruction Fine-Tuning [59.56171041796373]
  我々は、堅牢で効率的なマルチモーダル・インストラクショナルデータを収集する。 インタラクションスタイルを多様性指標とし、マルチモーダルリッチなスタイルラーを用いてデータインストラクションパターンを識別する。 14のマルチモーダルベンチマークによって検証された10以上の実験環境において、ランダムサンプリング、ベースライン戦略、最先端の選択方法に対する一貫した改善を示す。
  論文  参考訳（メタデータ） (2025-03-17T17:11:22Z)
• Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
  音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。 提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
  論文  参考訳（メタデータ） (2022-06-13T11:41:39Z)

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。