論文の概要: Mitigating Entity Type Confusion in Cross-Domain NER via Multidimensional Quantification and Reasoning Enhancement

• arxiv url: http://arxiv.org/abs/2609.24357v1
• Date: Mon, 21 Sep 2026 09:46:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.248366
• Title: Mitigating Entity Type Confusion in Cross-Domain NER via Multidimensional Quantification and Reasoning Enhancement
• Title（参考訳）: 多次元量子化と推論の強化によるドメイン間NERにおけるエンティティ型融合の緩和
• Abstract要約: クロスドメイン名前付きエンティティ認識(CD-NER)は、ソースドメインの豊富な知識をターゲットドメインに転送することを目的としている。 エンティティタイプの分類では、モデルはエンティティタイプの混乱に苦しむ。 本稿では,モデルの実体型間の混乱度を定量化する多次元融合量子化モデル(MCQM)を提案する。 また,2段階の推論情報を生成するためのPBRC(Progressive Bidirectional Reasoning Chain)を提案する。
• 参考スコア（独自算出の注目度）: 16.791824164877145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain Named Entity Recognition (CD-NER) aims to transfer the rich knowledge in the source domain to the target domain. Recent studies adopting decomposition or generation paradigms have achieved significant performance improvements, demonstrating high accuracy in entity span detection. However, during entity type classification, models severely suffer from entity type confusion, the erroneous tendency that models classify entities of one type in the text as another similar but incorrect type. To address this issue, we first propose a Multidimensional Confusion Quantification Model (MCQM) that quantifies a model's confusion extent between entity types from three dimensions: source-target hierarchy analysis, semantic similarity analysis, and explicit data evaluation. Moreover, we propose the Progressive Bidirectional Reasoning Chain (PBRC). PBRC leverages the source-target hierarchy and confusion analysis from the MCQM to prompt the LLM to generate two-stage reasoning information. The two-stage reasoning information is utilized to augment the knowledge of the model, significantly mitigating entity type confusion and improving the model's generalization performance. Experimental results demonstrate that our method achieves new state-of-the-art results on all domains of the CrossNER dataset.
• Abstract（参考訳）: クロスドメイン名前付きエンティティ認識(CD-NER)は、ソースドメインの豊富な知識をターゲットドメインに転送することを目的としている。 近年、分解や生成のパラダイムを取り入れた研究は、エンティティスパン検出において高い精度で、大幅な性能向上を実現している。 しかし、エンティティタイプの分類において、モデルはエンティティタイプの混乱に苦しめられ、モデルがテキスト内のあるタイプのエンティティを、別の類似しているが間違ったタイプとして分類する誤った傾向が生じる。 この問題に対処するため,我々はまず3次元からモデル間の混乱範囲を定量化する多次元融合量子化モデル(MCQM)を提案する。 さらに, PBRC (Progressive Bidirectional Reasoning Chain) を提案する。 PBRCは、MCQMからのソースターゲット階層と混乱解析を利用して、LCMに2段階の推論情報を生成する。 2段階の推論情報を用いてモデルの知識を増強し、エンティティタイプの混乱を著しく軽減し、モデルの一般化性能を向上させる。 実験により,CrossNERデータセットのすべての領域において,新しい最先端結果が得られることを示した。

関連論文リスト

• ADORE: Autonomous Domain-Oriented Relevance Engine for E-commerce [15.317195529037319]
  電子商取引検索における関連モデリングはセマンティック・ギャップによって依然として課題が残されている。 3つのイノベーションを相乗化する自己維持型フレームワークであるADOREを提案する。 このフレームワークは、産業アプリケーションにおけるリソース効率、認知的に整合した関連モデリングのための新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-12-02T09:25:13Z)
• Merge and Guide: Unifying Model Merging and Guided Decoding for Controllable Multi-Objective Generation [49.98025799046136]
  Merge-And-GuidEは、ガイド付きデコーディングにモデルマージを利用する2段階のフレームワークである。 ステージ1では、MAGEはガイダンスとベースモデルの互換性の問題を解決する。 ステージ2では、明示的で暗黙的な値モデルを統一的なガイダンスプロキシにマージします。
  論文  参考訳（メタデータ） (2025-10-04T11:10:07Z)
• Towards Generalizable Forgery Detection and Reasoning [23.858913560970866]
  We formulate detection and explanation as a unified forgery Detection and Reasoning task (FDR-Task) マルチモーダル・フォージェリー推論データセット (MMFR-Dataset) は10つの生成モデルにわたる120K画像を含む大規模データセットであり, フォージェリー属性には378Kの推論アノテーションがある。 複数の生成モデルに対する実験により、FakeReasoningは堅牢な一般化を実現し、検出タスクと推論タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-27T06:54:06Z)
• Multi-task Transformer with Relation-attention and Type-attention for Named Entity Recognition [35.44123819012004]
  名前付きエンティティ認識(NER)は自然言語処理において重要な研究課題である。 本稿では,エンティティ境界検出タスクを名前付きエンティティ認識タスクに組み込むマルチタスク変換器を提案する。
  論文  参考訳（メタデータ） (2023-03-20T05:11:22Z)
• Mix and Reason: Reasoning over Semantic Topology with Data Mixing for Domain Generalization [48.90173060487124]
  ドメイン一般化(DG)は、複数のソースドメインから見えないターゲットドメインへの学習マシンを可能にする。 mire は2つのキーコンポーネント、すなわち Category-Aware Data Mixing (CDM) と Adaptive Semantic Topology Refinement (ASTR) で構成されている。 複数のDGベンチマーク実験により,提案法の有効性とロバスト性を検証した。
  論文  参考訳（メタデータ） (2022-10-14T06:52:34Z)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)

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。