論文の概要: Marginal Response Surface Elicitation for Zero-Label Tabular Learning

• arxiv url: http://arxiv.org/abs/2609.39639v1
• Date: Wed, 30 Sep 2026 12:44:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.783733
• Title: Marginal Response Surface Elicitation for Zero-Label Tabular Learning
• Title（参考訳）: ゼロラベルタブラリ学習のためのMarginal Response Surface Elicitation
• Abstract要約: 大規模言語モデル(LLM)は、タスク記述と機能セマンティクスに基づいてドメインの事前情報を取得するために使用できる。 特徴レベルのLCM先行値を再利用可能なゼロショット分類器に変換する手法であるMarginal Response Surface Elicitation (MARS)を提案する。 MARSは平均的なAUCとAPをそれぞれ1.97ポイントと6.21ポイントで上回っている。
• 参考スコア（独自算出の注目度）: 21.56018689114288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tabular learning uses structured data to predict target outcomes. Traditionally, this process has relied on labeled data. However, large language models (LLMs) can be used to elicit domain priors based on the task description and feature semantics, thereby enabling predictions without labeled data. We propose Marginal Response Surface Elicitation (MARS), a method that transforms feature-level LLM priors into a reusable, zero-shot tabular classifier. To construct this classifier, MARS selects representative values for each feature from unlabeled data and prompts the LLM to provide corresponding class support scores and feature weights. It then aggregates multiple responses using the median to construct feature response functions, and makes predictions through their weighted sum without further LLM queries. Across eight tabular benchmark tasks, MARS achieves the highest average AUC and AP, outperforming direct prompting by 1.97 and 6.21 percentage points respectively, while substantially reducing end-to-end costs. Evaluations with LLMs of different sizes further demonstrate its predictive advantage over direct prompting.
• Abstract（参考訳）: タブラル学習は、構造化されたデータを使用して、対象とする結果を予測する。 伝統的に、このプロセスはラベル付きデータに依存してきた。 しかし、大きな言語モデル(LLM)は、タスク記述と特徴セマンティクスに基づいてドメインの事前情報を抽出し、ラベル付きデータなしで予測を可能にする。 特徴レベルのLCM先行値を再利用可能なゼロショットタブ型分類器に変換する手法であるMarginal Response Surface Elicitation (MARS)を提案する。 この分類器を構築するために、MARSはラベルのないデータから各特徴の代表値を選択し、LLMに対応するクラスサポートスコアと特徴重みを提供するよう促す。 次に、中央値を用いて複数の応答を集約し、特徴応答関数を構築し、LLMクエリを追加せずに重み付き和で予測する。 表の8つのベンチマークタスクの中で、MARSは平均的なAUCとAPをそれぞれ1.97と6.21のパーセンテージで上回り、エンドツーエンドのコストを大幅に削減する。 異なる大きさのLLMによる評価は、直接的プロンプトよりも予測上の優位性を示す。

関連論文リスト

• Robustness is Important: Limitations of LLMs for Data Fitting [0.0]
  大規模言語モデル(LLM)は幅広い設定に適用されている。 データフィッティングにLLMを使うことの重大な脆弱性を特定する。 変数名を変更することで、特定の設定で予測エラーのサイズを最大82%縮小することができる。
  論文  参考訳（メタデータ） (2025-08-27T04:46:05Z)
• SELF-GUIDE: Better Task-Specific Instruction Following via Self-Synthetic Finetuning [70.21358720599821]
  大規模言語モデル(LLM)は、適切な自然言語プロンプトを提供する際に、多様なタスクを解決するという約束を持っている。 学生LLMからタスク固有の入出力ペアを合成する多段階メカニズムであるSELF-GUIDEを提案する。 ベンチマークの指標から,分類タスクに約15%,生成タスクに18%の絶対的な改善を報告した。
  論文  参考訳（メタデータ） (2024-07-16T04:41:58Z)
• LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
  大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。 以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-07-02T22:23:40Z)
• Contextual Biasing of Named-Entities with Large Language Models [12.396054621526643]
  本稿では,Large Language Models (LLM) を用いた文脈バイアスについて検討する。 LLMに追加のコンテキスト情報を提供して、自動音声認識(ASR)性能を向上する。 本稿では, バイアスリストと少数ショット例を組み込んだ再描画時に, 微調整を行なわずに, LLMのプロンプトを活用することを提案する。
  論文  参考訳（メタデータ） (2023-09-01T20:15:48Z)
• M-Tuning: Prompt Tuning with Mitigated Label Bias in Open-Set Scenarios [58.617025733655005]
  緩和ラベルバイアス(M-Tuning)を用いた視覚言語プロンプトチューニング手法を提案する。 これはWordNetからのオープンワードを導入し、クローズドセットラベルワードのみからもっと多くのプロンプトテキストを形成する単語の範囲を広げ、シミュレートされたオープンセットシナリオでプロンプトをチューニングする。 提案手法は,様々なスケールのデータセット上で最高の性能を達成し,広範囲にわたるアブレーション研究もその有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-09T09:05:47Z)

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。