論文の概要: Constrained Tagging for Span Labeling

• arxiv url: http://arxiv.org/abs/2610.28922v1
• Date: Tue, 20 Oct 2026 20:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.145466
• Title: Constrained Tagging for Span Labeling
• Title（参考訳）: スパンラベリングのための拘束タグ
• Abstract要約: 本稿では,モデルが入力を再現し,ラベル付きインラインマークアップで各スパンをラップする,制約付きタグ付けについて述べる。 バイトレベルトークントリエと有限状態マシンを用いたロジット処理装置は、入力のバータティムを継続または有効なタグを形成するトークンのみを許容するので、出力は所定のセットのラベルと正確に入力を再生する。 コンテキストベースのプロンプトは、そのスパンの8.5%を失うが、制約付きタグ付けは、提案するすべてのスパンをデータセット毎に特定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative LLMs can label spans without task-specific training, but their output is not tied to positions in the input: a returned span may be absent from the input or occur several times. We present constrained tagging, a training-free method in which the model reproduces the input and wraps each span in labeled inline markup. A logits processor using a byte-level token trie and a finite-state machine admits only tokens that continue the input verbatim or form a valid tag, so the output reproduces the input exactly with labels from the given set, and spans may begin or end at any character boundary, even inside a token. Two-phase decoding lets reasoning models reason before the constraint engages. On six datasets and six open-weight models, the guarantee holds in all but 0.022% of 255,312 constrained generations, each failure a reasoning model exhausting its token budget or never closing its reasoning, and the constraint adds no measurable cost. Unlike context-based prompting, which loses 8.5% of its spans, constrained tagging locates every span it proposes on every dataset; it is as accurate on two datasets, and on the other four its errors lie in which spans the model chooses, not where they are.
• Abstract（参考訳）: 生成LDMはタスク固有のトレーニングなしでスパンをラベル付けできるが、出力は入力内の位置と結び付けられていない。 本稿では,モデルが入力を再現し,ラベル付きインラインマークアップで各スパンをラップする,制約付きタグ付けについて述べる。 バイトレベルトークントリエと有限状態マシンを用いたロジット処理装置は、入力の動詞を継続するトークンのみを許容し、有効なタグを形成するので、出力は与えられたセットのラベルと正確に一致して入力を再生し、トークン内であっても任意の文字境界でスパンが開始または終了する。 二相復号法は、制約が係わる前に推論モデルを推論する。 6つのデータセットと6つのオープンウェイトモデルにおいて、保証は255,312世代のうち0.022%を除いて保持され、それぞれの障害はトークン予算を浪費するか、あるいは推論をクローズしない。 コンテキストベースのプロンプトは、そのスパンの8.5%を失うが、制約付きタグ付けは、提案するすべてのスパンをデータセット毎に特定する。

関連論文リスト

• Watermarking: from Impossibility to Auditable Compliance [78.87513208320995]
  EU人工知能法第50条(2)は、合成出力を機械可読かつ検出可能にするために、生成システムの提供者を要求する。 自由形式のテキストにとって、重要な実装の1つは、生成的な透かし処理の実装である。 本稿は、強い透かしに代わる聴覚的な代替品を開発する。
  論文  参考訳（メタデータ） (2026-10-05T13:32:41Z)
• Pinning Decisions Before Failure: Executable Records of Underspecified Choices in AI-Assisted Code Generation [0.0]
  自然言語の要件は質問をオープンにし、それを実装するよう要求されたモデルが静かに解決する。 3つのモデルから600以上のテストスイートが生成され、42.7%は競合するリードを区別するテストを含んでいない。 要件の未特定点を名前で列挙し、それぞれのコンストラクタに対して、そのポイントでのみ異なる2つの捨てられた実装を列挙します。 結果は、名前付きポイント、確認された入力、および2つの結果の中から選択した値の判定ピンとして記録される。
  論文  参考訳（メタデータ） (2026-10-02T12:46:07Z)
• Constraints Are Graphs, Not Chains: Exact Decoding for Diffusion Language Models [3.449257598670055]
  拡散言語モデル(dLLM)は任意の順序でマスキング位置を予測するが、厳密な制約付きデコーダは制約を逐次言語としてエンコードする。 有限領域関係を因子グラフとして表現する学習自由デコーダであるFacterDLMを紹介する。
  論文  参考訳（メタデータ） (2026-09-26T19:40:43Z)
• PaSta: Noisy Node Classification with Partial Label Learning [58.43127707101144]
  本稿では,既存の手法の限界を克服するために,新しいラベルベースの自己学習フレームワークを提案する。 PaStaは、様々なノイズ設定下での分類性能の平均1.1%の改善を実現している。
  論文  参考訳（メタデータ） (2026-08-26T04:40:23Z)
• Constrained Decoding for Diffusion Language Models via Efficient Inference over Finite Automata [57.27430779838529]
  有限オートマトンとして表現可能な任意の制約の下で,制約付き平均場後部からサンプリングする,正確かつトラクタブルなアルゴリズムを提案する。 このアプローチは、構築による制約満足度を保証し、欲求とサンプリングベースのデコーディングの両方をサポートし、並列およびブロックワイドデコーディングと互換性がある。 Dream-7B と LLaDA-8 の実証的な評価は、様々なタスクにおいてかなりの精度の向上を示した。
  論文  参考訳（メタデータ） (2026-07-08T05:48:57Z)
• Reading Between the Dots: Decoding Hidden Computation across Filler Tokens [7.203846680259872]
  LLMはドットや数列のようなコンテンツフリーのフィラートークンに対して多段階の推論を実行でき、目に見えるチェーン・オブ・シークレット(CoT)を使わずに正しい回答を生成することができる。 これは行動監視の限界ケースであり、表面トークンは基礎となる推論に関する情報を一切持っていない。 隠れ状態のみを入力として取り出し、80～95%の精度で中間値を復元する教師なし復号パイプラインを導入する。
  論文  参考訳（メタデータ） (2026-07-03T17:18:34Z)
• Discourse-Role Labels as Presentation-Time Variables for Context Use in Language Models [3.376024929309146]
  本研究では,文脈拡張型言語モデルシステムが読者モデル行動に与える影響について検討する。 本稿では,500 MMLU-Pro 項目の固定コンテンツプローブについて紹介する。 各項目は、異なる談話ロールラベルの下で同じ誤解を招く答えを持つアサーションを受け取る。 GPT-5.5, DeepSeek V4 Pro, Llama-3-8B-Instruct, Qwen2.5-7B-Instruct, Misleading Adoption Rate shifts by 56-84%
  論文  参考訳（メタデータ） (2026-06-02T18:12:57Z)
• Soft Curriculum for Learning Conditional GANs with Noisy-Labeled and Uncurated Unlabeled Data [70.25049762295193]
  本稿では,トレーニング中にノイズラベル付きおよび未処理データを受け入れる条件付き画像生成フレームワークを提案する。 本稿では,ラベルのないデータに新たなラベルを割り当てながら,逆行訓練にインスタンスワイドを割り当てるソフトカリキュラム学習を提案する。 実験により,本手法は,定量および定性性能の両面において,既存の半教師付き・ラベル付きロバストな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） (2023-07-17T08:31:59Z)
• SpanProto: A Two-stage Span-based Prototypical Network for Few-shot Named Entity Recognition [45.012327072558975]
  名前付きエンティティ認識(NER)は、アノテーション付きデータが少ない名前付きエンティティを識別することを目的としている。 そこで本研究では,2段階のアプローチを用いて,数発のNERに対処するセミナルスパンベースプロトタイプネットワーク(SpanProto)を提案する。 スパン抽出の段階では、逐次タグを大域境界行列に変換し、モデルが明示的な境界情報に集中できるようにする。 分類に言及するために、原型学習を活用してラベル付きスパンのセマンティック表現をキャプチャし、新しいクラスエンティティへの適応性を向上する。
  論文  参考訳（メタデータ） (2022-10-17T12:59:33Z)
• Learning with Noisy Labels by Targeted Relabeling [52.0329205268734]
  クラウドソーシングプラットフォームは、ディープニューラルネットワークをトレーニングするためのデータセット収集によく使用される。 本稿では,少数のアノテーションを予約して,高い確率でラベル付け可能なエラーを明示的に緩和する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-15T20:37:29Z)
• Detecting Handwritten Mathematical Terms with Sensor Based Data [71.84852429039881]
  本稿では,手書きの数学的用語を自動分類する,スタビロによるUbiComp 2021チャレンジの解を提案する。 入力データセットには異なるライターのデータが含まれており、ラベル文字列は合計15の異なる文字から構成されている。
  論文  参考訳（メタデータ） (2021-09-12T19:33:34Z)

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。