論文の概要: Entity Matching using Decision Models

• arxiv url: http://arxiv.org/abs/2610.34626v1
• Date: Sun, 25 Oct 2026 22:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.649997
• Title: Entity Matching using Decision Models
• Title（参考訳）: 決定モデルを用いたエンティティマッチング
• Abstract要約: 本稿では,エンティティマッチングのための生成的大規模言語モデル (LLM) に代わる決定モデルについて検討する。 決定モデルは、テキストを生成するのではなく、事前に定義された各回答オプションの確率を返す。 実験の結果,4つの最強決定モデルでは,GPT-6 Lunaに近いF1スコアが得られた。
• 参考スコア（独自算出の注目度）: 3.1427994341585688
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Entity matching is the task of deciding whether two records describe the same real-world entity. Current entity matching methods rely on pre-trained language models (PLMs) which require task specific fine-tuning or generative large language models (LLMs) which do not require task-specific fine-tuning but are slow and expensive at matching large record sets. Decision models are a new class of LLM-based models that return a probability for each predefined answer option rather than generate text. This paper investigates decision models as an alternative to generative LLMs and fine-tuned PLMs for entity matching. We evaluate six decision models in a zero-shot setting across eight benchmarks and compare their performance with that of the generative LLM GPT-6 Luna and the PLM-based matcher Ditto. Our experiments show that, without task-specific training data, the four strongest decision models achieve mean F1 scores close to that of GPT-6 Luna, with the best model slightly surpassing it. This model also outperforms Ditto on six of the eight benchmarks. All decision models are faster than GPT-6 Luna, and most are less expensive. For three of the four strongest decision models, the predicted match probabilities are well calibrated without requiring any task-specific recalibration. A model cascade that routes the least confident record pairs to an ensemble of generative LLMs improves the mean F1 scores of the four strongest decision models by 1.9-4.0 percentage points. Using the best decision model and its best-performing prompt for each benchmark, the cascade surpasses the highest published F1 scores from literature on four of the eight benchmarks.
• Abstract（参考訳）: エンティティマッチングは、2つのレコードが同じ現実世界のエンティティを記述しているかどうかを決定するタスクである。 現在のエンティティマッチング方法は、タスク固有の微調整や生成可能な大規模言語モデル(LLM)を必要とする事前訓練された言語モデル(PLM)に依存している。 決定モデルは、テキストを生成するのではなく、事前に定義された各回答オプションの確率を返すLSMベースの新しいモデルのクラスである。 本稿では,エンティティマッチングのためのジェネレーティブLPMと微調整PLMに代わる決定モデルについて検討する。 我々は,8つのベンチマークで0ショット設定で6つの決定モデルを評価し,その性能を生成型LPM GPT-6 Luna と PLM-based matcher Ditto と比較した。 実験の結果,4つの最強決定モデルでは,GPT-6 Lunaに近いF1スコアが達成され,最良モデルはわずかに上回っていることがわかった。 このモデルは8つのベンチマークのうち6つでDittoを上回っている。 全ての決定モデルはGPT-6 Lunaより高速で、そのほとんどは安価である。 4つの最強決定モデルのうち3つの場合、予測された一致確率はタスク固有の再分類を必要とせずに適切に調整される。 4つの最強決定モデルのF1スコアを1.9〜4.0ポイント向上させる。 最高の決定モデルと各ベンチマークで最高のパフォーマンスのプロンプトを使用して、カスケードは8つのベンチマークのうち4つの文献から発表された最も高いF1スコアを上回ります。

関連論文リスト

• Off-the-Shelf LLMs as Process Scorers: Training-Free Alternative to PRMs for Mathematical Reasoning [51.88950852117154]
  Chunk-Level Guided Generationは、既製の大規模言語モデルをプロセススコアラとして使用する、トレーニング不要の代替手段である。 本研究では,系統的な長さバイアスのため,大モデル確率の可変長推論ステップが信頼できないことを示す。 Chunk-Level Guided Generation は PRM guided search よりもかなり短い推論トレースを生成する。
  論文  参考訳（メタデータ） (2026-06-01T04:43:36Z)
• Large Language Model Selection with Limited Annotations [18.985244406763258]
  我々は,Large Language Models (LLM) のアクティブモデル選択のための最初のフレームワークである SELECT-LLM を開発した。 本稿では,候補モデル出力間のペアの類似性から計算した,予測情報ゲインに基づくクエリ選択ルールを提案する。 我々は,SELECT-LLMを23のデータセット,156のモデル,多様なタスクファミリ,複数のテキスト評価指標で評価した。
  論文  参考訳（メタデータ） (2026-05-24T10:18:51Z)
• Learning Generative Selection for Best-of-N [52.88943295436412]
  目的の強化学習によって、小さな推論モデルによって強力なGenSelect能力が得られることを示す。 この結果は,小規模モデルにおける強力な生成的選択を解放するスケーラブルな手法として強化学習を確立した。
  論文  参考訳（メタデータ） (2026-02-02T14:21:15Z)
• A Systematic Study of Model Merging Techniques in Large Language Models [43.5967188676583]
  モデルマージは、複数の微調整されたチェックポイントを、追加のトレーニングなしで単一のモデルに結合する。 本稿では,6つの最先端マージ手法の大規模かつ体系的な評価を行う。 その結果、最古かつ最も単純なタスク算術法は、LCMの性能向上を確実に得る唯一の方法であることがわかった。
  論文  参考訳（メタデータ） (2025-11-26T14:28:11Z)
• Model-GLUE: Democratized LLM Scaling for A Large Model Zoo in the Wild [84.57103623507082]
  本稿では,全体論的な大規模言語モデルスケーリングガイドラインであるModel-GLUEを紹介する。 既存のスケーリングテクニック,特に選択的マージ,および混合の変種をベンチマークする。 次に、異種モデル動物園の選択と集約のための最適な戦略を定式化する。 我々の手法は、マージ可能なモデルのクラスタリング、最適なマージ戦略選択、クラスタの統合を含む。
  論文  参考訳（メタデータ） (2024-10-07T15:55:55Z)
• Replacing Judges with Juries: Evaluating LLM Generations with a Panel of Diverse Models [56.02275285521847]
  LLm評価器のパネル(PoLL)を用いた評価モデルを提案する。 より多数の小さなモデルで構成されたPoLLは,1つの大判定器より優れ,不整合モデルファミリーの構成によるモデル内バイアスが小さく,しかも7倍以上のコストがかかる。
  論文  参考訳（メタデータ） (2024-04-29T15:33:23Z)
• Entity Matching using Large Language Models [3.7277730514654555]
  本稿では, PLM ベースのマーカに代わる, タスク固有の訓練データ依存モデルとして, LLM (Generative Large Language Model) を用いて検討する。 GPT4は一致判定のための構造化された説明を生成でき、一致した誤りの原因を自動的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-10-17T13:12:32Z)
• Pruning Large Language Models via Accuracy Predictor [0.0]
  数十億のパラメータ(あるいはそれ以上)を含む大規模言語モデル(LLM)は、様々なNLPタスクにおいて印象的な機能を示している。 まず,一定の数のアーキテクチャと精度のペアのトレーニングセットを構築し,非ニューラルネットワークモデルを精度予測器として訓練する。
  論文  参考訳（メタデータ） (2023-09-18T06:38:24Z)

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。