PulseAugur
中
实时 10:46:09
实体 named-entity recognition

named-entity recognition

PulseAugur coverage of named-entity recognition — every cluster mentioning named-entity recognition across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
9
90 天内 59
发布 · 30天
0
90 天内 0
论文 · 30天
6
90 天内 50
层级分布 · 90 天
主题
关系
情绪 · 30 天

6 天有情绪数据

最近 · 第 1/4 页 · 共 62 条
  1. TOOL · CL_367359 ·

    新基准评估马来西亚语言的AI文本匿名化

    研究人员已将RAT-Bench基准扩展到评估马来西亚的文本匿名化技术,使用了本地微数据和PII格式。该研究侧重于马来西亚英语和马来语,评估了命名实体识别(NER)和基于LLM的匿名化器。基于LLM的匿名化器在隐私和效用之间取得了最佳平衡,降低了重新识别风险,同时保持了高文本效用,而非LLM工具则显示出更极端的权衡。

  2. COMMENTARY · CL_356440 ·

    优化AI模型大小:避免为不必要的推理能力过度付费

    许多AI管道为强大的“前沿模型”过度付费,而对于分类或实体识别等任务,更简单、更紧凑的模型就足够了。选择合适大小的模型可以降低成本,通过支持本地处理来提高数据隐私,并简化治理。组织应根据推理需求、使用频率、数据敏感性和错误成本仔细评估工作负载,以避免过度支出和配置不足。

  3. TOOL · CL_351460 ·

    新的DeidSharp工具包使用本地LLM进行临床文本去标识化

    一个名为DeidSharp的新型开源工具包已被开发出来,通过将本地大型语言模型(LLM)与基于规则和命名实体识别(NER)的检测器相结合,用于去标识化临床文本。与现有的开源工具相比,这种方法旨在以更高的精度识别更多的受保护健康信息(PHI)。在护理记录和出院总结上的评估表明,DeidSharp的召回优先配置实现了高召回率,而其精度优先配置则显著提高了精度,为去标识化提供了一个可行的本地解决方案。

  4. TOOL · CL_348541 ·

    LLM提升尼泊尔推文中命名实体识别能力

    研究人员探索了使用大型语言模型(LLM)来改进尼泊尔推文的命名实体识别(NER)任务。由于该语言的低资源特性以及社交媒体数据的复杂性,这项任务尤其具有挑战性。虽然LLM在标准NER任务上的表现通常不如传统的预训练语言模型(PLM),但本研究发现LLM在处理PLM难以应对的难题方面表现出色。通过战略性地选择示例和优化提示配置,LLM在处理具有挑战性的尼泊尔推文数据方面的性能得到了显著提升,与PLM结合使用时,整体得分有所提高。

  5. TOOL · CL_342098 ·

    新工具链支持在AWS云FPGA上进行ML模型开发

    研究人员开发了一种新的工具链,使用高级语言在AWS云FPGA基础设施上促进机器学习模型的开发。该系统将Vitis HLS与AFI工作流连接起来,填补了关于AWS FPGA可用性学术文献中的空白。该方法包括从FP32 PyTorch到物理FPGA实现的四个开发级别,以帮助精确定位错误。虽然与CPU/GPU相比,由于权重从主机DRAM流式传输,当前实现显示出性能限制,但未来的工作旨在改进这一点。

  6. TOOL · CL_332159 ·

    微调的 LLM Gemma 和 Qwen 与编码器 NER 在信息提取方面的比较

    本文探讨了微调本地大型语言模型(LLM),如 Gemma 和 Qwen,在特定任务上的有效性,并将它们与传统的基于编码器的命名实体识别(NER)模型进行了比较。研究调查了 LLM 可能不是信息提取最佳选择的场景,暗示需要仔细考虑任务需求和模型能力。文章强调了混合路由方法在利用 LLM 和专用模型优势方面的潜力。

  7. TOOL · CL_324863 ·

    新技术提高了压缩 Transformer 模型性能

    研究人员开发了一种新颖的事后嵌入对齐技术,以提高压缩 Transformer 模型的性能。这种称为对齐适配器(AlAd)的方法使用一个小型前馈网络将压缩模型的 token 嵌入与参考模型的 token 嵌入对齐。AlAd 可以在压缩模型生成后进行训练,并在各种 token 级任务(如词性标注、命名实体识别和抽取式问答)中显示出性能提升,尤其有利于较小的压缩模型。

  8. RESEARCH · CL_315022 ·

    GoiBERT:紧凑型越南语语言模型实现高性能

    研究人员开发了GoiBERT,这是一个新系列的紧凑型越南语语言模型,旨在实现高效部署。这些模型拥有2600万和4900万参数,在包括文本分类和情感分析在内的各种基准测试中均表现出色。GoiBERT-large在同等规模的非教师模型中表现最佳,而GoiBERT-base的尺寸仅为强基线模型的四分之一,但性能却保持了近99%。这些模型通过两阶段知识蒸馏过程进行学习,利用互补的教师模型。

  9. TOOL · CL_286885 ·

    HealthcareNLP教程论文概述了医学领域NLP的未来

    一篇题为“HealthcareNLP:我们现在在哪里,未来又将走向何方?”的教程论文发表在arXiv上,全面概述了自然语言处理(NLP)在医疗保健领域的应用。该论文通过包含诸如用于隐私的合成数据生成和可解释的临床NLP等关键方面,解决了现有综述的不足。它概述了一个三层结构,涵盖数据和资源管理、NLP评估任务以及患者参与,旨在指导NLP从业者、研究人员和学生。

  10. COMMENTARY · CL_276814 ·

    Timnit Gebru 批评 Bernie Sanders 的 AI 关联

    Timnit Gebru 批评 Bernie Sanders 与被视为反 AI 的个人有关联。Gebru 指出了 Sanders 的盟友选择,并对 Amy 和 Nermeen 允许来自行业资助智库的个人在节目中宣扬其观点表示不满。

  11. TOOL · CL_259223 ·

    新框架提升低资源语言命名实体识别标注质量

    研究人员开发了一个可扩展的框架,以提高命名实体识别(NER)标注的质量,特别是针对低资源语言。这种多步骤方法利用自动化技术,包括基于频率的自训练迭代方法和双阈值机制,来增强推理置信度并提升NER性能。该研究还探讨了大型语言模型在数据有限的语言中执行NER的能力。

  12. TOOL · CL_233449 ·

    AI模型通过通俗化摘要提高患者对放射学报告的理解

    一项发表在 arXiv 上的新研究探讨了通过生成通俗化摘要来提高患者对放射学报告理解能力的方法。研究人员评估了命名实体识别 (NER) 和检索增强生成 (RAG) 技术(使用了 Qwen 和 BioBART 等模型)的有效性。研究结果表明,NER 显著提高了摘要的可读性和质量,而单独使用 RAG 则没有带来益处,反而可能引入不准确之处。将 RAG 与 NER 结合使用效果好坏参半,但经过微调的 BioBART 结合 NER 取得了最佳…

  13. TOOL · CL_233393 ·

    新NE-R1框架通过自适应检索增强命名实体识别

    研究人员推出NE-R1,一个旨在通过自适应利用外部知识来改进命名实体识别(NER)的新框架。该方法结合了检索增强生成和强化学习优化过程。NE-R1旨在平衡内部模型知识与外部信息的使用,在领域内和零样本跨领域评估中均取得了最先进的成果和显著的性能提升。

  14. TOOL · CL_231526 ·

    TWIX管道在GutBrainIE信息提取基准测试中取得顶级结果

    研究人员开发了TWIX,一个新颖的两阶段信息提取管道,旨在解决命名实体识别(NER)和关系提取(RE)任务。该系统在GutBrainIE基准测试上进行了评估,该基准测试专注于肠脑轴领域,并包括NER、命名实体识别和消歧(NERD)以及RE的子任务。TWIX表现出卓越的性能,优于基线,并在参与者提交的所有子任务中均获得第一名,表明其在提高科学知识发现的精确率和召回率方面具有有效性。

  15. TOOL · CL_229136 ·

    新方法提高NER模型对含噪声LLM标签的鲁棒性

    研究人员开发了一种名为错误类型感知损失重加权的新方法,以提高在大型语言模型(LLM)生成的含噪声数据上训练的命名实体识别(NER)模型的鲁棒性。该方法认识到LLM的标注错误并非均匀分布,不同类型的错误(例如,遗漏提及与类型不正确)对训练信号的影响不同。通过对不同错误类型应用不同的重加权规则,该方法提高了NER性能,在包含24.1%噪声的Wikigold数据集上取得了高达4.6个百分点的提升。

  16. RESEARCH · CL_229094 ·

    Hugging Face发布高效多模态编码器NeoMME,研究表明编码器在印度语言NER任务上表现更优

    Hugging Face推出了NeoMME,一个旨在提高效率的新型多语言多模态编码器系列。与许多生成式模型不同,NeoMME使用单个双向Transformer处理文本和图像块,并采用掩码离散扩散目标从头开始训练。在针对视觉文档检索进行微调后,NeoMME-Retriever表现出强大的性能,并显著降低了存储需求。此外,一项关于Naamapadam的研究发现,在大多数印度语言的命名实体识别任务中,基于编码器的模型性能远超生成式架构。

  17. TOOL · CL_228760 ·

    NLP通过知识图谱解锁古印度医学文本

    研究人员开发了一种新颖的方法,使用自然语言处理(NLP)技术从翻译的古印度医学文本(如Sushruta Samhita)中提取和分类知识。该方法采用命名实体识别(NER)来识别疾病、治疗方法和药用植物,使用BERTopic模型对医学主题进行分类,并利用Neo4j构建知识图谱来表示实体之间的关系。这个计算框架旨在增强历史医学知识的可访问性和理解性,弥合传统文本与现代数据驱动研究在阿育吠陀、医学信息学和数字人文等领域的差距。

  18. TOOL · CL_221124 ·

    新的LLM方法提高了零样本命名实体识别的效率和准确性

    研究人员开发了一种名为“Just Pass Twice”(JPT)的新方法,以提高大型语言模型(LLMs)在零样本命名实体识别(NER)方面的效率。JPT通过允许标记访问未来上下文来解决LLM中因果注意力机制的局限性,从而实现更有效的标记分类。该方法在NER基准测试中取得了最先进的成果,显著优于先前的方法,并且比生成技术快20多倍。

  19. RESEARCH · CL_211975 ·

    新的ContractScrub基准测试揭示了LLM在法律合同审查中的弱点

    研究人员推出了ContractScrub,这是第一个专门用于评估大型语言模型(LLM)在合同审查能力方面的基准测试。这项任务涉及审查法律协议中的错误和不一致之处,由于其常规性和注重细节的性质,对于自动化至关重要。尽管LLM在长上下文推理和命名实体识别方面具有潜力,但前沿模型在此基准测试上的表现却出人意料地差,只有一个模型达到了0.75的宏平均召回率。这凸显了当前模型的局限性,以及需要进行特定领域的评估来衡量实际影响。

  20. TOOL · CL_206255 ·

    新的AWED-PIPER框架提供36种语言的FgNER和PII匿名化

    研究人员开发了AWED-PIPER,一个开源框架,用于细粒度命名实体识别(FgNER)和个人身份信息(PII)匿名化。该系统集成了代理工具、Web应用程序和54个专家探测器模型,支持36种语言。AWED-PIPER可以识别上下文实体(如人物和地点),以及技术性PII(如电子邮件和电话号码),提供提取和可逆匿名化功能。该框架因其广泛的语言支持(包括极低资源语言)而备受关注。