Семантическая реваншировка в "Время наступления тяжелых примеров в ролевой маркировке"

Компьютерные науки > Расчеты и язык Настоящий документ был снят Анасом Бельфати Резюме: Retorical Role Faciliting (RL) отводит функциональную роль каждому предложению в документе и широко используется в правовой, медицинской и научной областях. В то время как языковые модели (ОД) достигают высоких средних показателей, они остаются ненадежными на основе убедительных примеров, когда степень уверенности в прогнозах является низкой. Существующие подходы, как правило, позволяют решать проблему неопределенности имплицитно и трактуют знаки в качестве дискретных идентификаторов с учетом семантической информации, закодированной в названиях этикеток. Мы введем RISE, семаническую систему сематического перевёртывания, которая помогает маркировать сэмантику для уточнения прогнозов на жестких примерах. РИСЕ автоматически выявляет прогнозы низкой степени уверенности и переоценивает результаты моделирования с использованием контрастно усвоенных маркеров без переподготовки или изменения основной модели. Эксперименты на восьми наборов данных RRL по конкретным доменам с семью ММ, включая архитектуру на основе энкодера и причинно-следственных связей, показывают среднюю прибыль в размере +9,15 макроF1 при использовании твердых примеров. Для пояснения мы предлагаем также ручные аннотации жесткости для изучения трудностей с точки зрения как модели, так и человека, что свидетельствует о умеренном согласии с каппой Коэна = 0,40. [Представлено 18 мая 2026 года v1), последний раз пересмотрен 27…