GoLLIE: Annotation Guidelines improve Zero-Shot Information-Extraction

要約

大規模言語モデル (LLM) と命令チューニングを組み合わせることで、目に見えないタスクを一般化する際に大きな進歩が見られます。
ただし、情報抽出 (IE) ではあまり成功せず、タスク固有のモデルに遅れをとっています。
通常、IE タスクは、タスクを説明し、人間に例を示す複雑な注釈ガイドラインによって特徴付けられます。
このような情報を活用しようとするこれまでの試みは、最大規模のモデルであっても、そのままではガイドラインに従うことができないため失敗に終わりました。
この論文では、GoLLIE ガイドラインに準拠した IE 用大規模言語モデルを提案します。このモデルは、アノテーション ガイドラインに準拠するように微調整されているため、目に見えない IE タスクのゼロショット結果を改善できます。

要約(オリジナル)

Large Language Models (LLMs) combined with instruction tuning have made significant progress when generalizing to unseen tasks. However, they have been less successful in Information Extraction (IE), lagging behind task-specific models. Typically, IE tasks are characterized by complex annotation guidelines which describe the task and give examples to humans. Previous attempts to leverage such information have failed, even with the largest models, as they are not able to follow the guidelines out-of-the-box. In this paper we propose GoLLIE Guideline-following Large Language Model for IE), a model able to improve zero-shot results on unseen IE tasks by virtue of being fine-tuned to comply with annotation guidelines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google