DiZiNER: Riconoscimento di Entità Nominative Zero-Shot tramite Perfezionamento delle Istruzioni Guidato dal Disaccordo
Il recentemente introdotto framework DiZiNER (Perfezionamento delle Istruzioni Guidato dal Disaccordo tramite Simulazione di Annotazione Pilota) migliora il riconoscimento di entità nominative (NER) zero-shot imitando il metodo di annotazione pilota utilizzato nell'annotazione umana. Diversi modelli linguistici di grandi dimensioni (LLM) eterogenei collaborano per annotare testi comuni, mentre un modello supervisore valuta le discrepanze tra i modelli per migliorare le istruzioni del compito. Questa strategia innovativa affronta gli errori sistematici persistenti nel NER basato su LLM, raggiungendo prestazioni all'avanguardia zero-shot su 18 benchmark. Questa ricerca è documentata su arXiv (2604.15866) e segna un notevole progresso nel campo dell'estrazione di informazioni zero-shot.
Fatti principali
- DiZiNER simula il processo di annotazione pilota per il NER zero-shot
- Molteplici LLM eterogenei agiscono come annotatori e supervisori
- Il modello supervisore analizza i disaccordi tra modelli per perfezionare le istruzioni
- Raggiunge risultati SOTA zero-shot su 18 benchmark
- Affronta errori sistematici persistenti nel NER basato su LLM
- Pubblicato su arXiv con ID 2604.15866
- Motivato dall'analogia con la risoluzione del disaccordo nell'annotazione umana
- Fa progredire l'estrazione di informazioni zero-shot
Entità
Istituzioni
- arXiv