Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
ReaORE는 대규모 추론 모델을 활용하여 미학습된 관계를 추출하는 새로운 개방형 관계 추출(OpenRE) 프레임워크를 제안합니다. 거친 단계에서 세밀한 단계로 이어지는 점진적 추론 과정을 통해 기존 LLM 및 클러스터링 방식의 한계를 극복합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기개방형 관계 추출 (Open Relation Extraction, OpenRE)은 실제 응용 분야를 위해 비정형 텍스트에서 머리(head) 및 꼬리(tail) 엔티티 사이의 미학습된 관계를 추출할 것을 모델에 요구합니다. OpenRE의 핵심 과제는 미학습된 관계 유형에 대해 신뢰할 수 있는 일반화 (generalization)를 달성하는 데 있습니다. 현재의 OpenRE 접근 방식은 관계 레이블을 생성할 수 없고 일반화 성능이 떨어지는 클러스터링 (clustering) 기술을 사용하거나, 쉽게 혼동되는 관계를 구별할 수 있는 충분한 판별 능력이 부족한 대규모 언어 모델 (Large Language Models, LLMs)을 통한 직접적인 관계 레이블 생성에 의존합니다. 이러한 한계를 해결하기 위해, 우리는 거친 단계에서 세밀한 단계로 이어지는 관계 추론 (relation reasoning)을 통해 관계 추출을 수행하는 프레임워크인 ReaORE (Reasoning-guided progressive OpenRE)를 제안합니다. 구체적으로, ReaORE는 두 가지 핵심 단계로 구성됩니다: (i) 관계 필터링 (relation filtering): 관계와 인스턴스를 이해하기 위해 여러 측면을 추론하여 초기 관계 세트를 생성하며, 임베딩 기반 유사도 (embedding-based similarity)를 통해 관계를 추가 보완 및 필터링하여 대상 관계가 포함되도록 보장합니다; (ii) 관계 예측 (relation prediction): 쉽게 혼동되는 관계를 더 잘 구별하기 위해 미세한 비교 추론 (fine-grained comparative reasoning)을 통해 위 세트로부터 대상 관계를 예측하는 것을 목표로 합니다. 널리 사용되는 두 가지 OpenRE 데이터셋에 대한 광범위한 실험을 통해 ReaORE가 기존 베이스라인 (baselines)보다 뛰어난 성능을 보임을 입증했습니다.