論文の概要: Better Retrieval, Limited Clustering Gains: A Controlled Study of Multilingual Company Entity Resolution
- arxiv url: http://arxiv.org/abs/2610.05573v1
- Date: Sun, 04 Oct 2026 22:19:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 12:54:15.803922
- Title: Better Retrieval, Limited Clustering Gains: A Controlled Study of Multilingual Company Entity Resolution
- Title（参考訳）: 検索精度の向上, 限定クラスタリングゲイン:多言語企業のエンティティ分解能の制御に関する研究
- Abstract要約: 固定された候補予算と下流決定ルールに基づいて多言語E5エンコーダを適応する。
72,660の候補エッジでは、マルチビューセレクタによる適応により、直接ペアリコールが53.74%から76.98%に増加した。
新たに回収された銀陽性ペア208のうち、202は決定しきい値を下回る。
- 参考スコア（独自算出の注目度）: 8.148058967953437
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Improved name retrieval may have little effect on company clusters when the pair classifier remains unchanged. We examine this dependency by adapting multilingual E5 encoders under fixed candidate budgets and downstream decision rules. Random-negative and hard-negative training use identical positive schedules. Checkpoints are selected before collecting a new GLEIF sample of 3,633 names, 2,880 source identities and 882 silver-positive pairs. At 72,660 candidate edges, adaptation with a multi-view selector increases direct pair recall from 53.74% to 76.98%. The primary matcher adds only seven correct and two incorrect co-cluster pairs: cluster recall rises from 32.54% to 33.33%, while precision falls from 95.99% to 95.45%. Of 208 newly retrieved silver-positive pairs, 202 fall below its decision threshold. Random-negative and hard-negative training produce identical final partitions. An AI-assisted, single-reviewer audit of 137 pairs supports the observed pattern, although its predominantly LEI-derived evidence does not establish independent gold labels. The results locate the immediate loss of retrieval gains at the existing confirmation stage and show why encoder evaluation must also measure final cluster quality.
- Abstract（参考訳）: 名前検索の改善は、ペア分類器が変更されていない場合、企業クラスタにはほとんど影響しない。
固定された候補予算と下流決定ルールの下で多言語E5エンコーダを適用することにより、この依存性を検証する。
ランダム負のトレーニングとハード負のトレーニングは、同じ正のスケジュールを使用する。
チェックポイントは、新しいGLEIFサンプル3,633名、2,880個のソースID、882個の銀陽性ペアを収集する前に選択される。
72,660の候補エッジでは、マルチビューセレクタによる適応により、直接ペアリコールが53.74%から76.98%に増加した。
クラスタリコールは32.54%から33.33%に上昇し、精度は95.99%から95.45%に低下する。
新たに回収された銀陽性ペア208のうち、202は決定しきい値を下回る。
ランダム負のトレーニングとハード負のトレーニングは、同じ最終分割を生成する。
AIによる137対のシングルレビュアー監査は、観測されたパターンを支持するが、主にLEIに由来する証拠は独立した金のラベルを定めていない。
その結果、既存の確認段階での検索ゲインの即時損失が判明し、エンコーダの評価が最終的なクラスタ品質を測る必要がある理由が示された。
関連論文リスト
- Benchmarking Candidate Coverage in Typed Decision Models [7.736174008951463]
本稿では,AG News, DBpedia, Emotion, TRECにまたがる候補被覆ベンチマークプロトコルと, Laya と Jev の初期評価について述べる。
本稿では,AG News, DBpedia, Emotion, TRECにまたがる候補被覆ベンチマークプロトコルと, Laya と Jev の初期評価について述べる。
論文 参考訳（メタデータ） (2026-10-02T14:36:46Z) - Agent Error Dataset: Scaling 50,000 Error--Diagnosis Pairs for Failure Analysis and Error-Aware Post-Training [45.727227890697556]
我々は,9,961のソースタスクから50,228のエラー診断ペアからなるエージェントエラーデータセット(AED)を紹介した。
5段階のAgenic Error-to-Trainingパイプラインは自然の故障を収集し、診断と修正案を生成し、記録された証拠と照合する。
アクタートレーニングのレシピの比較において、アクションオンリーの修復トレーニングは成功オンリーのトレーニングよりもWebShop-liteの方が6.67ポイント高い。
論文 参考訳（メタデータ） (2026-09-30T16:40:22Z) - Overwhelmed by Choice: Studying LLM Decision Making at Scale [70.45144023754595]
候補数の増加に伴い,複数選択および候補選択の評価を体系的に評価した。
タスク間での相当な精度劣化、戦略の推進、モデルスケールが見られます。
階層分割と置換に基づく推論は、HotpotQAとMIMICで約20パーセントの精度をN=160$で向上する。
論文 参考訳（メタデータ） (2026-09-26T17:33:04Z) - Auditing Bayesian Graph Alignment: Diagnostic Comparisons and Reference Failure [0.0]
3つのサンプルとスコア,限界,指標,カテゴリー,分類器に基づく診断を比較した。
また, 誤差が967に近づいたにもかかわらず, ほぼゼロに一致しない共通開始鎖も示している。
これらの結果は、有限予算の限界、診断ランク、基準合意を精度の証拠として識別しながら、割当感性監査を支援する。
論文 参考訳（メタデータ） (2026-09-19T22:19:09Z) - Coding Agents Have Converged: Why the SWE-bench Leaderboard Can No Longer Order Its Top Entries, and What to Measure Instead [9.25138311822007]
コーディングエージェントのリーダーボードにおける小さな違いは、しばしばシステムの順序付けとして読まれる。
モデルを実行せずに4分割で254件のSWE-benchを提出し,この読解をサポートするかどうかを検証した。
パーティションと5段階の監査プロトコルをリリースし、共有結果のプロファイリング、ペアの違いのテスト、感度の報告、解決に必要なインスタンス予算の見積を行います。
論文 参考訳（メタデータ） (2026-09-15T16:29:12Z) - Visual Credit Audit for Multimodal Spatial Reasoning [70.16915309526443]
Visual Credit Auditは、ベンチマーク画像がテキストのみとブランクコントロールよりもモデルの宣言された決定をもっとサポートするかどうか、モデルが関係性固有の視覚的エビデンスに反応するかどうかの2つの評価を分離する。
ラベルを適用すれば依存性認定正当性(D-CC)が得られる
4つのオープンMLLMと2つの空間ベンチマーク、12.73-26.25%の判定は正確であるが、証明されていない。
論文 参考訳（メタデータ） (2026-07-29T15:55:31Z) - Operational Proto-Introspection in Looped Language Models: Process-Quality Taps, Executable Branching, and the Readout-Control Boundary [0.0]
言語モデルは、進行中の計算の質を読み取ることができるか?
外部介入は、その読み出しをより良い結果に変えることができるか?
凍結した2.6Bループ変換器,Ouro-RLTTで両質問を検証した。
論文 参考訳（メタデータ） (2026-07-20T22:40:36Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。
正しい回答の18.2%は間違っているが、肯定的な報酬がある。
6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文 参考訳（メタデータ） (2026-05-17T07:08:14Z) - Relational Preference Encoding in Looped Transformer Internal States [0.0]
ループ変換器は内部の反復状態においてどのように人間の嗜好を符号化するかを検討する。
繰り返し洗練された2.6Bパラメータループ変換器であるOuro-2.6B-Thinkingを用いて,各ループ繰り返しから隠れた状態を抽出する。
我々は、HH-RLHFデータセット上で人間の嗜好を予測するために軽量評価器ヘッドを訓練する。
我々のペアワイズ評価器は8,552個の未確認例に対して95.2%の精度を達成し、ベースモデルは完全に凍結されている間に全バッチのL-BFGSプローブ(84.5%)を上回った。
論文 参考訳（メタデータ） (2026-04-10T20:00:49Z)
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。