論文の概要: UniBuc at SemEval-2024 Task 2: Tailored Prompting with Solar for Clinical NLI
- arxiv url: http://arxiv.org/abs/2610.00408v1
- Date: Wed, 30 Sep 2026 13:23:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.647452
- Title: UniBuc at SemEval-2024 Task 2: Tailored Prompting with Solar for Clinical NLI
- Title（参考訳）: UniBuc at SemEval-2024 Task 2: Tailored Prompting with Solar for Clinical NLI (英語)
- Abstract要約: 本報告では,SemEval 2024 Task 2: Safe Biomedical Natural Language Inference for Clinical Trialsの取り組みについて述べる。
我々は、入力操作と調整プロンプトに集中しながら、微調整なしでSOLARインストラクションを使用しました。
- 参考スコア（独自算出の注目度）: 5.613521327595944
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper describes the approach of the UniBuc team in tackling the SemEval 2024 Task 2: Safe Biomedical Natural Language Inference for Clinical Trials. We used SOLAR Instruct, without any fine-tuning, while focusing on input manipulation and tailored prompting. By customizing prompts for individual CTR sections, in both zero-shot and few-shots settings, we managed to achieve a consistency score of 0.72, ranking 14th in the leaderboard. Our thorough error analysis revealed that our model has a tendency to take shortcuts and rely on simple heuristics, especially when dealing with semantic-preserving changes.
- Abstract（参考訳）: 本報告では,SemEval 2024 Task 2: Safe Biomedical Natural Language Inference for Clinical Trialsの取り組みについて述べる。
我々は、入力操作と調整プロンプトに集中しながら、微調整なしでSOLARインストラクションを使用しました。
個々のCTRセクションのプロンプトをカスタマイズすることで、ゼロショットと少数ショットの両方の設定で、私たちはリーダーボードの14位である0.72の一貫性スコアを達成しました。
我々のモデルでは,特にセマンティック保存変化を扱う場合,ショートカットを行い,単純なヒューリスティックに頼っている傾向が明らかとなった。
関連論文リスト
- CLoPA: Continual Low Parameter Adaptation of Interactive Segmentation for Medical Image Annotation [1.271337683889894]
インタラクティブセグメンテーションにより、臨床医はアノテーションをガイドできる。
しかし、nnInteractiveのような既存のゼロショットモデルは、常に専門家レベルのパフォーマンスに達することができません。
我々は、アノテーションキャッシュ上でnnInteractiveのパラメータのごく一部をチューニングする連続的な適応戦略であるCLoPAを提案する。
論文 参考訳（メタデータ） (2026-03-06T16:03:20Z) - Mitigating Copy Bias in In-Context Learning through Neuron Pruning [74.91243772654519]
大規模言語モデル(LLM)は、コンテキスト内学習能力に目を見張るものはほとんどない。
それらは、基礎となるパターンを学ぶ代わりに、提供された例から回答をコピーする。
このような複写バイアスを軽減するための,新しい簡易な手法を提案する。
論文 参考訳（メタデータ） (2024-10-02T07:18:16Z) - CRCL at SemEval-2024 Task 2: Simple prompt optimizations [0.0]
本研究は,SemEval 2024タスク2課題のベースラインとして,臨床治験報告の2つのセクションとステートメントの関係を確認することを目的としている。
LLM命令モデルをLanguageas-a-Service Model(LM)として提供する。
近年の知見に則って, 合成CoTは手作業による手作業による手作業の促進を著しく促進することが明らかとなった。
論文 参考訳（メタデータ） (2024-05-03T09:10:40Z) - SemEval-2024 Task 2: Safe Biomedical Natural Language Inference for Clinical Trials [13.59675117792588]
SemEval-2024 Task 2: Safe Biomedical Natural Language Inference for ClinicalTrialsについて紹介する。
我々の貢献には、改良されたNLI4CT-Pデータセット(Natural Language Inference for Clinical Trials - Perturbed)が含まれる。
このタスクに登録された参加者は合計106人であり、1200以上の個人申請と25のシステム概要書に貢献している。
このイニシアチブは、医療におけるNLIモデルの堅牢性と適用性を向上し、臨床意思決定におけるより安全で信頼性の高いAIアシストを保証することを目的としている。
論文 参考訳（メタデータ） (2024-04-07T13:58:41Z) - SEME at SemEval-2024 Task 2: Comparing Masked and Generative Language Models on Natural Language Inference for Clinical Trials [0.9012198585960441]
本稿では,SemEval-2024: Safe Biomedical Natural Language Inference for Clinical Trialsについて述べる。
NLI4CT(Multi-evidence Natural Language Inference for Clinical Trial Data)は、自然言語推論(NLI)モデルの整合性と忠実性の評価に焦点をあてたテキスト・エンターメント・タスクである。
論文 参考訳（メタデータ） (2024-04-05T09:18:50Z) - Generating Faithful and Complete Hospital-Course Summaries from the Electronic Health Record [3.6513957125331555]
ドキュメントの負担の増加による意図しない結果が、患者との対面時間を短縮した。
本稿では,患者の入院状況の要約を自動生成するためのソリューションを提案し,評価する。
論文 参考訳（メタデータ） (2024-04-01T15:47:21Z) - Self-regulating Prompts: Foundational Model Adaptation without
Forgetting [112.66832145320434]
本稿では,PromptSRCと呼ばれる自己正規化フレームワークを提案する。
PromptSRCはタスク固有の汎用表現とタスクに依存しない汎用表現の両方に最適化するプロンプトを導く。
論文 参考訳（メタデータ） (2023-07-13T17:59:35Z) - Bag of Tricks for Effective Language Model Pretraining and Downstream
Adaptation: A Case Study on GLUE [93.98660272309974]
このレポートでは、ジェネラル言語理解評価のリーダーボードに関するVega v1を簡潔に紹介します。
GLUEは、質問応答、言語受容性、感情分析、テキスト類似性、パラフレーズ検出、自然言語推論を含む9つの自然言語理解タスクのコレクションである。
最適化された事前学習と微調整の戦略により、13億のモデルは4/9タスクに新しい最先端のタスクを設定し、91.3の平均スコアを達成しました。
論文 参考訳（メタデータ） (2023-02-18T09:26:35Z) - Does BERT really agree ? Fine-grained Analysis of Lexical Dependence on
a Syntactic Task [70.29624135819884]
目的の構文テンプレート上で,BERTが語彙非依存の主観値数アグリーメント(NA)を実行できる範囲について検討した。
名詞文では,単純なテンプレートに対してモデルがよく一般化されるが,1つのアトラクターが存在する場合,語彙非依存の構文一般化を行うことができないことが示唆された。
論文 参考訳（メタデータ） (2022-04-14T11:33:15Z)
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。