named-entity recognition
PulseAugur coverage of named-entity recognition — every cluster mentioning named-entity recognition across labs, papers, and developer communities, ranked by signal.
12 天有情绪数据
-
新型CrimeNER数据集和NER系统发布，服务于执法部门
研究人员开发了CrimeNER，一个旨在从犯罪相关文档中提取关键信息的新型命名实体识别（NER）系统和数据库。CrimeNER-db包含1500多份经过标注的文档，这些文档来自关于恐怖袭击的公开报告和美国司法部的新闻稿。该系统定义了4个粗粒度和21个细粒度的实体类型，并通过全监督和少样本学习模型的实验证明了其有效性。
-
新框架评估LLM输出的可认证性，识别理论极限
研究人员开发了一个框架，用于评估大型语言模型（LLM）在命名实体识别和问答等结构化生成任务中的输出可认证性。他们得出了一个不可能性的结果，指出了在何种情况下，一致性风险控制（CRC）无法满足用户指定的风险目标。该研究还分析了一系列界限，包括Hoeffding、经验Bernstein和e-CRC，证明了认证率的显著提高，尤其是在Hoeffding到Bernstein之间。在数据集迁移下，自适应一致性推理（ACI）被验证可以减少风险目标违…
-
新技术使用负面示例来改进LLM信息抽取
研究人员推出了一种新颖的少样本信息抽取技术LC-ICL，该技术使用大型语言模型。该方法通过将正确的（正面）和不正确的（负面）示例纳入上下文学习演示中来提高性能。负面示例带有错误原因标签，提供了关于某些预测为何失败的详细见解，并帮助模型避免重复错误。实验表明，LC-ICL在各种数据集上优于现有的少样本上下文学习方法。
-
新型BERTomelo模型增强葡萄牙语NLP任务
研究人员开发了BERTomelo，这是一种专为葡萄牙语设计的新型单语编码器模型。该模型采用ModernBERT架构，并集成了FlashAttention等优化技术，与之前的葡萄牙语编码器（如BERTimbau和Albertina）相比，实现了更高的效率和可扩展性。BERTomelo在广泛的ClassiCC-PT语料库上进行训练，在命名实体识别和语义文本相似性等下游任务中表现出色，优于旧的单语模型和大型多语言模型。
-
新的多模态NLP管道旨在检测保险欺诈
研究人员开发了一个多模态NLP管道，用于在首次损失通知（FNOL）阶段检测保险欺诈。该框架利用合成数据生成对话记录和音频，并整合了自动语音识别（ASR）和说话人日志。然后，系统结合命名实体识别（NER）、基于正则表达式的特征提取、LLM-RAG检索和说话人嵌入来计算风险评分，标记不一致和重复叙述。
-
LLM提升德意志联邦银行证券资格审查能力 · 追踪3个来源
一项新研究探讨了应用大型语言模型（LLMs）来简化德意志联邦银行验证证券资格的过程。传统的命名实体识别（NER）方法在处理双语文档和手动标注方面面临挑战。本研究提出了一种使用LLMs的生成式信息提取管道，该管道能更灵活地处理含噪声文本和混合德语-英语内容。基于LLM的方法在文档级资格审查中达到了高达91%的准确率，展示了一种最小化错误接受的保守运行模式。
-
AI安全：多层方法防止敏感数据泄露
组织必须实施多层安全策略，以防止敏感数据被发送到第三方AI工具。这包括使用命名实体识别等工具识别和分类个人身份信息（PII）、受保护健康信息（PHI）、敏感信息和知识产权等数据。然后，像开源的Bifrost这样的AI网关可以在敏感信息到达AI模型之前拦截并进行编辑或屏蔽，确保符合GDPR和HIPAA等法规。
-
新的LLM系统和数据集增强了葡萄牙电子商务的产品数据提取
研究人员开发了AI-PAVE-Br，一个利用大型语言模型来改进葡萄牙电子商务数据产品属性值提取（PAVE）的系统。该系统旨在处理巴西产品描述中的复杂性和语言变体。为了支持进一步研究并建立基准，该团队还创建并发布了“Golden Set”，一个用于葡萄牙语PAVE的精心标注的数据集。
-
新框架增强特应性皮炎的医学命名实体识别
研究人员开发了一种新颖的医学命名实体识别（NER）框架，专门用于识别与特应性皮炎相关的中文临床文本。这种解释引导的方法通过关注解释稳定性和实体边界意识，提高了NER的可靠性和鲁棒性。实验表明，所提出的方法提高了解释的鲁棒性，并持续提升了各种NER模型的性能，为可解释的医学NER提供了一个实用的解决方案。
-
少样本ICL在NER任务中可媲美BERT性能
一篇新的研究论文探讨了使用大型语言模型（LLMs）进行命名实体识别（NER）的少样本上下文学习（ICL）的有效性。研究发现，通过将ICL扩展到数百个示例，LLMs可以达到与微调BERT模型相当甚至超越的性能。此外，该研究表明，少样本ICL可用作数据标注框架，生成高质量的标记数据，从而在低资源NER任务中取得显著改进。
-
Arabic NER模型针对埃及法律文件进行微调
本文详细介绍了微调命名实体识别（NER）模型以专门处理埃及阿拉伯语法律文件的过程。目标是在该专业领域内准确识别和匿名化姓名和地点等敏感信息。
-
新的RedactionBench基准揭示LLM在上下文PII redaction方面存在困难
研究人员推出了RedactionBench，这是一个新的基准测试，旨在评估大型语言模型在考虑上下文隐私的同时，能够多好地redact个人身份信息（PII）。该基准包含200份多样化的文档和一个新颖的R-Score指标，该指标考虑了redaction中的语义相似性。评估显示，包括具有agentic工具的前沿模型在内的当前模型在上下文redaction方面存在困难，人类标注者在何构成上下文redaction方面也存在显著分歧。
-
本地化 AI 级联在教育对话去标识化方面实现高准确率
研究人员开发了一个新颖的 AI 级联框架，旨在去标识化敏感的教育对话，同时保留有价值的内容。该本地化系统解决了商业 LLM 需要数据共享以及传统 NER 系统过度 redaction 的局限性。所提出的方法将去标识化重新构建为隐私分类任务，使用一个以召回率为先的 union proposer 和一个上下文感知的 reviewer 来做出准确的 Redact/Keep 决策。评估表明，该本地化配置实现了 0.958 的宏 F1 分数，优…
-
新系统 AnonShield 为 CSIRT 提供更快速、合规的数据共享
研究人员开发了 AnonShield 系统，该系统专为计算机应急响应团队 (CSIRT) 使用的漏洞数据的可扩展、本地假名化而设计。该系统利用 GPU 加速的命名实体识别 (NER)、流式处理和缓存，显著缩短了处理时间，在高达 550 MB 的数据集上实现了高达 738 倍的速度提升。AnonShield 表明，在不影响数据分析效用的情况下，可以实现有效的假名化，从而促进在 CSIRT 运营环境中的合规数据共享。
-
新语料库增强了自身免疫研究的AI信息提取能力
研究人员开发了AAbAAC，这是一个专门用于自身免疫信息提取的新注释语料库。该语料库包含115篇PubMed摘要，重点关注自身免疫性疾病、自身抗体、分子靶点和临床体征等实体。AAbAAC语料库已被用于评估和微调命名实体识别（NER）模型，在自身免疫这一专业领域显示出显著的性能提升。
-
PhRAG系统利用生成式AI自动化备件库管理
一篇新研究论文介绍了一种名为PhRAG的混合检索增强生成系统，旨在改进工业备件的共享。该系统通过使用命名实体识别（NER）将多样化的零件描述结构化为统一的虚拟库，解决了命名约定不一致和库存分散等挑战。PhRAG支持自然语言搜索，并为检索到的组件提供依据，在数据稀疏的情况下表现优于传统的NER方法。
-
大型语言模型在命名实体识别任务中表现出竞争力
一篇新论文评估了大型语言模型（LLMs）在命名实体识别（NER）任务上的表现，超越了传统的序列标注方法。研究发现，开源LLMs在经过高效微调和结构化输出格式处理后，其性能可与成熟的NER模型相媲美。研究还表明，LLMs的NER能力源于其指令遵循和生成能力，而非简单的记忆，并且这种专门的微调对其通用能力几乎没有负面影响。
-
BioConCal 提升了 LLM 生物医学实体识别的准确性
研究人员开发了 BioConCal，这是一个新颖的评分系统，旨在提高 LLM 生物医学命名实体识别 (NER) 的准确性。该系统分析由多个 LLM 发现的候选实体，超越了简单的共识，根据注释约定和文档特征来评估正确性。BioConCal 显著提高了实体候选选择的精确度，为人工策展人创建了更高效的审查队列，并提高了整体召回率。
-
新的LLM框架LELA通过零样本自适应增强实体链接
研究人员开发了LELA，一个新的用于实体链接的Python库，集成了零样本命名实体识别（NER）。这个端到端框架旨在实现领域无关，并适用于实际的NLP应用。该系统在各种实体链接场景中表现出强大的性能，并提供了一个演示供用户测试自己的输入文本。
-
设备端PII替换管道使用区域设置提示来修复复述问题
研究人员开发了一种设备端管道，用于将个人身份信息（PII）替换为一致的、保留类型的虚假值，旨在保持下游文本的效用。该系统使用小型语言模型（SLM）生成替代值，但最初遇到了演示复述问题。引入了一种新颖的区域设置条件轮换少样本提示技术来解决此问题，从而成功实现了跨多个区域设置的PII替换。然而，研究发现，虽然SLM替代值产生的文本更自然，但会导致训练数据多样性降低，与更简单的方法相比，对下游命名实体识别（NER）性能产生负面影响。