Fugu-MT 論文翻訳(概要): Validating DBpedia Triple Sets for Natural Language Generation

論文の概要: Validating DBpedia Triple Sets for Natural Language Generation

arxiv url: http://arxiv.org/abs/2609.07589v1
Date: Mon, 07 Sep 2026 15:01:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-11 21:40:45.926049
Title: Validating DBpedia Triple Sets for Natural Language Generation
Title（参考訳）: 自然言語生成のためのDBpedia Triple Setsの検証
Abstract要約: 手動でアノテートしたデータに対する評価では、検証ルールでは、三重選択において98%の精度に達することができる。いくつかのプロパティ定義の改善により、精度を損なうことなくリコールを40%改善することが可能になった。
参考スコア（独自算出の注目度）: 9.585173174886416
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a study of the quality of individual DBpedia triples from the perspective of Natural Language Generation, and propose and evaluate an approach for collecting entity-specific triple sets that filters out questionable triples while minimizing the loss of correct ones. We show in an evaluation against manually annotated data that with validation rules, it is possible to reach 98% precision in triple selection, and with improvements to a few Property definitions, it is possible to improve recall by 40% without harming precision.
Abstract（参考訳）: 本稿では、自然言語生成の観点から、個々のDBpedia三重項の品質について検討し、正しい三重項の損失を最小限に抑えつつ、疑わしい三重項をフィルタリングするエンティティ固有の三重項集合の収集手法を提案し、評価する。手動でアノテートしたデータに対する評価では、バリデーションルールでは、トリプルセレクションにおいて98%の精度を達成でき、いくつかのプロパティ定義の改善により、精度を損なうことなくリコールを40%改善することが可能である。

関連論文リスト

Beyond the Name: Demographic Leakage in De-Identified Résumés and Evaluation Artifacts in LLM Bias Audits [4.736836688901646]
本研究では,9つのオープンウェイトモデルと620レサムモデルにおいて,言語フィールドの除去がリークを解消するか否かを検討する。 5つの民族的条件と3つのクエー・サリエンス層にまたがる非構造的散文を分離した。目標グループの回復平均は0.757であり、高塩分下では1.000で飽和する。
論文参考訳（メタデータ） (2026-09-15T01:48:44Z)
Fixing FOLIO and MALLS: Verified Annotations and an LLM-assisted Framework to Focus Human Relabeling [8.516686671273755]
本研究では,textsfFOLIO と textMALLS テストインスタンスのサブセットの検証分割を系統的に検証する。第2のコントリビューションは、そのようなデータセットの修正された基底真理の開発とリリースです。これらの結果から,NL-to-FOLデータセットを手作業でレビューする上で,人間を支援するLLMベースのフレームワークを提案する。
論文参考訳（メタデータ） (2026-06-01T20:00:35Z)
Self-Verified Distillation: Your Language Model Is Secretly Its Own Synthetic Data Pipeline [56.53954182896384]
大規模言語モデルのための簡単な訓練後改良アルゴリズムである自己検証蒸留を提案する。自己検証蒸留(Self-Verified Distillation)は、未ラベルの種問に対する候補解を生成する。プロンプトベースの自己検証を使用してフィルタリングし、結果の自己計算データセットをトレーニングする。トレーニングデータ構築中に、より多くの候補世代をサンプリングし、より大きな検証予算を使用することで、高品質な自己計算データが得られることがわかった。
論文参考訳（メタデータ） (2026-05-20T17:26:10Z)
ReacTOD: Bounded Neuro-Symbolic Agentic NLU for Zero-Shot Dialogue State Tracking [2.2573512203799626]
本稿では,NLUを独立したツールコールとして再構成する有界神経シンボルアーキテクチャであるReacTODを提案する。有界ReActループは反復自己補正を可能にし、MultiWOZ上のシングルパス推論よりも最大9.3ポイント精度を向上させる。
論文参考訳（メタデータ） (2026-05-18T20:06:04Z)
Automating Clinical Information Retrieval from Finnish Electronic Health Records Using Large Language Models [0.0]
ローカルにデプロイ可能なフレームワークは、外部データ転送なしでEHRから直接臨床質問に答える。オープンソースの大規模言語モデル(LLM)は、4Bから70Bまでのパラメータを完全にオフラインでベンチマークした。
論文参考訳（メタデータ） (2026-03-27T14:03:51Z)
Prompt-Based Clarity Evaluation and Topic Detection in Political Question Answering [0.0]
本研究では,SemEval 2026共有タスクのCLARITYデータセットを用いて,プロンプトに基づく明瞭度評価を行う。我々は,GPT-5.2に対して,データセットを付加したGPT-3.5ベースラインを3つのプロンプト戦略で評価した。その結果、GPT-5.2は明度予測においてGPT-3.5ベースラインを一貫して上回っていることがわかった。
論文参考訳（メタデータ） (2026-01-13T03:10:58Z)
High Accuracy, Less Talk (HALT): Reliable LLMs through Capability-Aligned Finetuning [84.52940628494879]
大規模言語モデル(LLM)は現在、すべてのプロンプトに応答する。 LLMは、知識や能力の欠如によって、誤った答えを生み出すことができる。本稿では,その正確性に自信を持った場合にのみコンテンツを生成するためのLCMのポストトレーニングを提案する。
論文参考訳（メタデータ） (2025-06-04T15:16:21Z)
Latent Veracity Inference for Identifying Errors in Stepwise Reasoning [78.29317733206643]
本稿では、精度割当てに対する離散探索アルゴリズムであるVeracity Search(VS)を紹介する。その他の方法では、後続の精度値よりも後続の分布において難解な推論を行う。 VSを一般化し、新しいコンテキストで正確なゼロショットの精度推論を可能にする。
論文参考訳（メタデータ） (2025-05-17T04:16:36Z)
Multi-threshold Deep Metric Learning for Facial Expression Recognition [60.26967776920412]
本稿では,難易度検証を回避する多閾値深度学習手法を提案する。その結果,三重項損失のそれぞれの閾値は本質的にクラス間変動の特異な分布を決定することがわかった。埋め込み層はスライスで構成されており、より情報的で差別的な特徴である。
論文参考訳（メタデータ） (2024-06-24T08:27:31Z)
Learning to Check: Unleashing Potentials for Self-Correction in Large Language Models [5.463333911506443]
我々は,タスクチェックのためのトレーニングデータを構築することで,大規模言語モデル(LLM)の自己チェック能力を向上させることを目指している。ステップCoTチェック(Step CoT Check)と呼ばれる特殊なチェックフォーマットを提案する。実験により、"Step CoT Check"フォーマットによる微調整により、LCMの自己チェックと自己補正能力が大幅に向上することが示された。
論文参考訳（メタデータ） (2024-02-20T14:23:23Z)
DST-Det: Simple Dynamic Self-Training for Open-Vocabulary Object Detection [72.25697820290502]
この研究は、ゼロショット分類によって潜在的に新しいクラスを特定するための単純かつ効率的な戦略を導入する。このアプローチは、アノテーションやデータセット、再学習を必要とせずに、新しいクラスのリコールと精度を高めるセルフトレーニング戦略として言及する。 LVIS、V3Det、COCOを含む3つのデータセットに対する実証的な評価は、ベースラインのパフォーマンスを大幅に改善したことを示している。
論文参考訳（メタデータ） (2023-10-02T17:52:24Z)
Reranking for Natural Language Generation from Logical Forms: A Study based on Large Language Models [47.08364281023261]
大規模言語モデル(LLM)は、自然言語生成において印象的な能力を示している。しかし、それらの出力品質は矛盾する可能性があり、論理形式(LF)から自然言語を生成する上での課題を提起する。
論文参考訳（メタデータ） (2023-09-21T17:54:58Z)
Avoiding Inference Heuristics in Few-shot Prompt-based Finetuning [57.4036085386653]
文ペア分類タスクのプロンプトベースモデルでは,語彙重なりに基づく推論の一般的な落とし穴が依然として残っていることを示す。そこで,プレトレーニングウェイトを保存する正規化を加えることは,この破壊的な微調整の傾向を緩和するのに有効であることを示す。
論文参考訳（メタデータ） (2021-09-09T10:10:29Z)
Learning to Learn Morphological Inflection for Resource-Poor Languages [105.11499402984482]
本稿では,メタラーニング問題として資源不足言語に対する形態的インフレクション(補題を表象形にマッピングする)の課題を提案する。それぞれの言語を個別のタスクとして扱うことで、高速ソース言語からのデータを使ってモデルパラメータの集合を学習する。 3つのファミリーから29のターゲット言語を対象とする2つのモデルアーキテクチャの実験により、提案手法がすべてのベースラインを上回ります。
論文参考訳（メタデータ） (2020-04-28T05:13:17Z)

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。