현장 노트와 RGB 이미지에 분산된 식물 표현형 데이터를 통합하기 위해, PhenoNEST는 PlantDeBERTa로 표준 온톨로지(PO, RO, WTO)와 정렬된 멀티모달 지식 그래프(Knowledge Graph)를 동적으로 구성하고 비전-언어 모델과 밀 분할 ViT를 결합해 지식 그래프 개체를 이미지 픽셀에 직접 연결하는 뉴로-심볼릭(neuro-symbolic) 프레임워크다. 500개의 WisWheat 샘플 평가에서 Pointing Game 정확도와 VWSD 지표를 통해 복잡한 현장 관측의 구조화된 그래프 매핑 및 시간적 스트레스 모니터링 가능성을 검증했다.
본 연구는 이탈리아 조세법원 판결을 개별 법적 쟁점으로 분해하고, 각 쟁점에 대해 IRAC 프레임워크와 법적 삼단논법에 기반한 구조화된 XML 표현을 추출하는 자동화 파이프라인을 제시한다. 이 파이프라인은 이탈리아 조세법원의 1심 및 2심 결정문 약 33만 건으로 구성된 코퍼스를 대상으로 하며, 수십만 건의 문서를 지속 가능한 비용으로 처리해야 하는 요구에 따라 성능과 비용 효율성을 모두 갖춘 범용 모델(DeepSeek V3)을 중심으로 구축되었다. 법적 인용에 대한 대규모 언어 모델(LLM)의 신뢰성 문제를 해결하기 위해, 추출 단계에 자동 환각(hallucination) 탐지 필터를 결합하였다. 이 필터는 모델이 생성한 참조 문헌을 전용 파서(Linkoln)가 판결문 텍스트에서 식별한 참조 문헌과 비교하며, 이를 표준 식별자(URN-NIR, ECLI, CELEX)로 정규화한다. 파이프라인 검증은 조세법 박사 학위 소지자 2인이 주석을 부착한 50건의 판결문을 대상으로 수행되었으며, 쟁점 추출 및 법적 인용 모두에 대해 주석자 간 일치도와 LLM-전문가 간 일치도를 산출하고, 환각 필터에 대한 독립 평가도 함께 실시하였다. 본 연구는 이탈리아 조세법원 결정문에 대해 쟁점 단위의 전문가 검증 구조화 추출 파이프라인과 환각 제어를 결합한 최초의 사례로서, 쟁점 수준 검색(retrieval), 인용 네트워크 분석, 대규모 법적 추론 데이터셋 구축 등 다운스트림 응용을 위한 구체적인 출발점을 제공한다.
지식 하이퍼그래프는 복잡한 n항 원자적 사실을 캡슐화함으로써 전통적인 이진 지식 그래프를 능가하며, 의미 표현을 위한 보다 포괄적인 패러다임을 제공한다. 그러나 고품질 하이퍼그래프를 구축하는 것은 시나리오 격차로 인해 여전히 어렵다: 범용 추출기는 특정 전문 용어를 지닌 다양한 도메인에 걸쳐 일반화하기 어려우며, 기존 방법들은 구조적 골격과 세밀한 세부 사항 간의 균형을 맞추는 데 실패하는 경우가 많다. 이 격차를 해소하기 위해, 우리는 추출을 동적인 스킬 진화 프로세스로 재정의하는 스킬 기반 프레임워크인 Hyper-KGGen을 제안한다. 먼저, Hyper-KGGen은 거친 단계에서 세밀한 단계로 진행하는(coarse-to-fine) 메커니즘을 활용하여 문서를 체계적으로 분해함으로써, 이진 링크부터 복잡한 하이퍼에지까지 전차원적 커버리지를 보장한다. 핵심적으로, 도메인 전문성을 Global Skill Library로 능동적으로 증류하는 적응형 스킬 획득 모듈을 통합한다. 이는 안정성 기반 피드백 루프를 통해 달성되며, 여기서 추출 안정성은 불안정한 추적 및 누락된 예측으로부터 고품질 스킬을 유도하기 위한 상대적 보상(reward) 신호로 사용된다. 또한, 문서 수준 지식 하이퍼그래프 추출을 위해 엄밀하게 주석이 달린 벤치마크인 HyperDocRED를 제시한다. 실험 결과, Hyper-KGGen은 강력한 기준 모델들을 크게 능가하며, 진화된 스킬이 다중 시나리오 설정에서 정적 퓨샷(few-shot) 예시보다 실질적으로 풍부한 가이던스를 제공함을 검증한다.
RuleChef는 텍스트 분류, 개체명 인식(NER), 관계 추출 등 자연어 처리(NLP) 작업을 위해 대규모 언어 모델(LLM)이 학습 시점에만 관여하여 실행 가능한 규칙을 자동 생성하고, 인간 피드백과 반복적 패치를 통해 이를 개선하는 프레임워크다. 추론 시에는 LLM 없이 결정론적 규칙만으로 동작하여 빠르고 투명한 시스템을 구현하며, 텍스트 분류 및 NER 실험에서 프롬프팅 기반 방식과 신경망 기반 추출기에 대응하는 성능을 보인다.
학제간 연구 출판물에서 인용 목적 분류 체계(taxonomy)와 Citation Engagement Predictor(CEP)를 제안하여, 단순 인용 다양성 지표를 넘어 타 분야 문헌을 얼마나 깊이 활용했는지 정량적으로 측정한다. NLP와 Computational Social Science 교차 연구 2,031편을 대상으로 한 대규모 분석을 통해 프레임워크의 유효성을 실증하였다.
Personal Knowledge Graphs (PKGs) offer a privacy-preserving framework for modeling user preferences, yet constructing them from unstructured, decentralized conversational data remains a challenge. This paper bridges the gap between conversational "strings" and semantic "things" by presenting a reproducible pipeline for extracting structured user-preference triples using lightweight Large Language Models. We evaluate Qwen- and Gemma-based models on their ability to extract RDF-compliant triples linked to Wikidata identifiers from conversational data for PKG construction. Our evaluation assesses both the semantic extraction fidelity and the utility of the resulting graphs in a downstream recommendation task. We found that certain models performed well and had proportionally high downstream performance relative to their triple extraction performance.
LLM 기반 번역 파이프라인으로 SemEval-2010 Task 8 벤치마크를 루마니아어로 번역하고, Gemma 4 31B를 제로샷·퓨샷·QLoRA 미세조정 설정으로 평가한 교차 언어 관계 추출(RE) 연구다. QLoRA 미세조정이 매크로 F1-Score를 22pp 이상 향상시키는 반면, 50~250배 작은 인코더 기준 모델들이 QLoRA Gemma에 1~4pp 이내로 근접해, 컴퓨팅 자원이 제한된 환경에서 31B 모델 사용의 실익이 크지 않음을 보인다.
CVE와 NVD 같은 취약점 데이터베이스가 공격자 행동 정보와 연계되지 않는 한계를 극복하기 위해, CVE 설명 텍스트에서 MITRE ATT&CK 전술 및 기법을 자동으로 분류하고 개체·관계 추출을 수행하여 CVE-TTP 지식 그래프(Knowledge Graph)를 구축하는 프레임워크를 제안한다. CySecBERT 기반 분류 모델은 기법 분류에서 macro F1 87.71%, 전술 분류에서 96.16%를 달성하였으며, 추출된 정보는 Neo4j 기반 사이버 위협 지식 그래프로 통합되어 취약점과 공격 행동 간의 구조적 시각화를 가능하게 한다.
자동 프롬프트 최적화는 소규모 언어 모델을 활용한 에피소딕 퓨샷 관계 추출(relation extraction) 분야에서 아직 충분히 탐구되지 않았다. 본 연구에서는 추론 기반 프롬프트 최적화와 그래디언트 기반 프롬프트 최적화를 결합한 2단계 프레임워크를 제안한다. 첫 번째 단계에서는 임의의 추론 기반 옵티마이저를 사용하여 자연어 수준에서 광범위한 프롬프트 개선을 수행한다. 두 번째 단계에서는 손실 및 그래디언트 신호를 활용하여 영향력이 높은 프롬프트 구간을 식별하고 국소적 편집으로 이를 정제하는 GradPO를 적용한다. FS-TACRED와 FS-FewRel에 대한 실험 결과, 국소적 정제가 대부분의 경우 첫 번째 단계에서 찾은 프롬프트를 개선하며, GradPO가 가장 일관성 있는 정제기임을 보인다. 제안 프레임워크는 Qwen3-4B를 사용하여 FS-TACRED에서 최첨단 성능을 달성하고, FS-FewRel에서도 경쟁력 있는 성능을 유지한다.
정보 추출(IE) 분야에서 고급 대규모 언어 모델(LLM)의 능력을 탐구하는 관심이 증가하고 있으며, 특히 개체명 인식(NER) 및 관계 추출(RE) 관련 태스크에 초점이 맞춰지고 있다. 연구자들이 LLM과 함께 문맥 내 학습(ICL)을 통한 퓨샷 정보 추출 활용을 탐구하고 있지만, 시연에 올바른 예시나 긍정적 예시만을 사용하는 경향이 있으며, 학습 과정에 잘못된 예시나 부정적 예시를 통합하는 잠재적 가치는 간과하고 있다. 본 논문에서는 문맥 내 학습 시연을 구성하기 위해 올바른 샘플과 잘못된 샘플 구성을 모두 활용하는 새로운 퓨샷 기법인 LC-ICL을 제안한다. 이 접근법은 오류 원인 레이블로 주석된 부정 샘플과 긍정 샘플을 결합하여 LLM이 개체와 관계를 추출하는 능력을 향상시킨다. 이러한 레이블은 오류 예시 내의 더 상세한 오류 특징을 드러내어, 모델이 유사한 예측이 왜 실패하는지 이해하고 추론 시 동일한 오류를 반복하지 않도록 한다. 구체적으로, 제안하는 방법은 어려운 부정 샘플과 테스트와 가장 가까운 긍정 이웃의 내재적 문맥 정보 및 가치 있는 정보를 활용한 뒤, LLM 기반의 문맥 내 학습 시연을 적용한다. 다양한 데이터셋에 대한 실험 결과, LC-ICL은 기존 퓨샷 문맥 내 학습 방법을 능가하며 광범위한 관련 태스크에 걸쳐 성능을 실질적으로 향상시킨다. 이러한 향상은 다양한 시나리오에서 우리 접근법의 범용성을 보여주는 주목할 만한 결과이다.
우리는 영어, 독일어, 프랑스어로 된 다국어 역사 신문 기사에서 인물-장소 관계 추출을 다루는 HIPE-2026 공유 태스크를 위한 효율적이고 정확한 시스템인 DistilledGemma를 제안한다. 우리의 접근법은 분류 정확도와 계산 효율성의 균형을 맞추도록 설계된 3단계 지식 증류 파이프라인을 채택한다. 1단계에서는 이 어려운 태스크에 가장 효과적인 추론 아키텍처를 파악하기 위해 여덟 개의 대규모 언어 모델에 걸쳐 프롬프트 엔지니어링 전략을 체계적으로 탐색하였다. 2단계에서는 QLoRA를 통한 지도 미세조정(SFT)을 Gemma 4 26B A4B 교사 모델에 적용하여, 강력한 다국어 능력을 활용해 학습 코퍼스 전반에 걸쳐 실버 스탠더드 사고의 연쇄 추적 데이터를 생성하였다. 최종 단계에서는 학습된 추론 패턴을 소형 Gemma 4 E2B 학생 모델로 전이하기 위해 응답 수준 증류를 수행하였다. 공식 평가에서 우리 팀 WHEREAMI는 표준 테스트 세트에서 정확도 프로파일 평균 점수 0.688로 3위, 이진 테스트 세트에서 평균 점수 0.8156으로 2위를 기록하였다. 특히, 26B 교사 모델에서 2.3B 학생 모델로 지식을 증류함으로써 강력한 추론 능력을 유지하면서 배포된 모델 크기를 약 2.3B 유효 파라미터로 줄였으며, 학습 중에 사용된 LoRA 어댑터는 추론을 위해 학생 모델에 병합되었다. 이 구성은 표준 및 이진 테스트 세트 모두에서 균형 잡힌 효율성-정확도 프로파일 부문에서 2위를 기록하였다. 이 결과들은 지식 증류가 과도한 계산 비용 없이 경쟁력 있는 성능을 달성하면서 역사적 문서 처리를 위한 실용적이고 확장 가능한 솔루션을 제공함을 보여준다.
자연어 처리(NLP) 응용 프로그램은 방대하고 풍부한 언어 지식을 필요로 한다. 또한 사전, 백과사전, 말뭉치와 같은 전자 언어 자원이 점차 활용 가능해졌다. 이에 따라 지식 획득 병목 문제를 해소하기 위해 이러한 자원으로부터 어휘 정보를 자동으로 추출하는 방법들이 등장하였다. 본 연구에서는 아랍어-영어 Al-Mawrid 사전의 기계가독(machine-readable) 버전으로부터 어휘 정보를 자동으로 추출하는 방법을 제시하였다. n-gram 분석과 문맥 내 키워드(KWIC, key-word-in-context) 분석을 활용하여 형태론적, 통사론적, 또는 의미론적 정보를 나타내는 어휘 패턴을 발견하였다. 이후 수작업으로 작성된 규칙 기반 정보 추출 방법을 적용하여 해당 정보를 추출하였다. 아울러 구두점과 일부 휴리스틱을 활용하여 하위 항목 내 동의어 집합을 추출하였다. 본 연구는 모든 유형의 정보에서 높은 정밀도(precision)를 기록하였으며, 동의어에 대해서는 높은 재현율(recall)을, 그 외 정보에 대해서는 낮은 재현율을 보였다. 또한 Al-Mawrid 사전이 상당한 양의 파생어(형태론적 정보), 동의어, 영역 레이블, 하의어/상의어 관계(의미론적 정보)를 포함하고 있음을 확인하였다.
FinCausal 2026 공유 과제에서 금융 서사의 인과 관계 추출을 위해 다국어 BERT, BART, 디코더 전용 대규모 언어 모델(LLM) 세 계열을 비교한 결과, 영어·스페인어 혼합 데이터로 파인튜닝한 GPT-4.1 Mini가 퓨샷(20개) 예시와 결합하여 영어 하위 과제에서 공동 1위(4.8140), 스페인어에서 3위(4.7753)를 달성했다. 다국어 파인튜닝이 단일 언어 파인튜닝보다 일관되게 우수한 성능을 보였으며, 지도 파인튜닝이 제로샷·퓨샷 프롬프팅보다 가장 큰 성능 향상을 제공함을 확인했다.
ReaORE는 개방형 관계 추출(OpenRE)에서 미지 관계 유형에 대한 일반화와 혼동 관계 구별 한계를 줄이기 위해, 대규모 추론 모델(LRM)로 다측면 관계 필터링과 임베딩 기반 보완을 거친 뒤 세밀한 비교 추론으로 최종 관계를 예측하는 거친-세밀(coarse-to-fine) 프레임워크를 제안한다. 두 OpenRE 데이터셋 실험에서 ReaORE가 기존 베이스라인보다 우수한 성능을 보였다.
대화형 메모리 검색에서 관련성은 있지만 이후 턴에 의해 갱신·수정·대체된 메모리를 구분하기 위해 ConvMemory v3는 v1/v2 검색 경로 뒤에 목표 조건 관계 검증 기반 유효성 컨텍스트 층을 둔다. MiniLM과 DeBERTa-v3 슬롯 헤드의 이중 근거 게이트는 합성 다중 홉 벤치마크에서 90.12% 정확도를, Memora 역할 바인딩 전이에서는 98.8% group-all-correct를 달성하며, opt-in 강등 모드는 current-active H@1을 45.1%에서 95.7%로 높이면서 비대체 메모리 재현율 99.4%를 유지한다.
병리 보고서에서의 정보 추출은 암 병기(staging)와 종양 등록(tumor registry) 데이터 구축에 필수적이다. 그러나 핵심 데이터는 여전히 서술형 보고서에 묻혀 있어, 수동 추출은 노동 집약적이고 오류가 발생하기 쉽다. 전통적인 지도 학습 자연어 처리(NLP) 파이프라인은 완전 지도 학습 방식의 개체명 인식과 관계 추출로 이 문제를 다루지만, 값비싼 수동 주석이 필요하고 상류 개체를 놓칠 때 연쇄적 실패가 발생한다. 본 연구에서는 제로샷 에이전트 워크플로를 개발하고, 폐 절제술 병리 보고서에서 College of American Pathologists(CAP)의 13개 synoptic 필드를 채우기 위해 5개의 오픈소스 생성형 대규모 언어 모델(LLM)을 평가했다. 새로운 등록(registry) 정렬 평가 프레임워크를 사용하여 최신 지도 학습 GatorTron NER-RE 기준선과 비교했다. 기준선은 Micro-F1 0.960을 달성했고, 최고의 제로샷 모델(GPT-OSS-20B)은 Micro-F1 0.893(재현율: 0.949)을 달성하여, 과제별 학습 없이 Pathologic Stage와 같은 복잡한 관계를 정확히 추출했다. 이러한 결과는 오픈소스 제로샷 에이전트 LLM이 폐 병리 정보 추출을 위한 저비용 솔루션으로 큰 잠재력을 보인다는 것을 시사한다.
대규모 문서 집합에 대한 자연어 연구 질문에서 구조화된 증거를 얻기 위해, ScheMatiQ는 백본 LLM과 웹 인터페이스로 관찰 단위·스키마를 발견하고 그라운딩된 데이터베이스를 추출하며 사용자가 과정을 조향·수정할 수 있게 한다. 법학과 계산 생물학에서 도메인 전문가와 함께 평가한 결과, 인간이 설계한 스키마를 대부분 복원하고 유용한 새 필드를 추가해 실제 분석을 지원하는 출력을 생성했다.
CLEF HIPE-2026는 노이즈가 많은 다국어 역사 텍스트에서 인물-장소 연관을 추출하는 평가 실험으로, 과거 방문 여부(at)와 게재 시점 위치(isAt) 두 유형을 시간·지리적 단서로 분류하도록 설계되었다. 정확도, 계산 효율, 도메인 일반화를 함께 평가하며, 지식 그래프 구축과 역사 전기 재구성·공간 분석 등 디지털 인문학 응용을 지원하는 것을 목표로 한다.
의미역 할당(SRL)은 텍스트 내 술어-인수(predicate-argument) 구조를 이해하고 하위 응용을 가능하게 하는 자연어 처리(NLP)의 핵심 과제이다. 광범위한 연구에도 불구하고, 통합적 관점에서 해당 분야를 비판적으로 종합하는 포괄적 서베이는 여전히 부족하다. 본 서베이는 기존 연구를 정리하는 것을 넘어 여러 기여를 한다. 우리는 모델 아키텍처, 구문 특징 모델링, 응용 시나리오, 멀티모달 확장을 축으로 SRL 연구를 분류하는 통합 4차원 분류체계를 제안한다. 구문 특징이 언제, 왜 도움이 되는지에 대한 비판적 분석을 제공하며, 구문 보조 접근법이 구문 비사용 대안 대비 일관된 이득을 제공하는 조건을 밝힌다. 대규모 언어 모델(LLM) 시대의 SRL에 대한 최초의 체계적 논의를 제공하며, LLM과 전문 SRL 시스템의 상보적 역할을 검토하고 하이브리드 접근의 방향을 제시한다. SRL 서베이의 범위를 시각, 비디오, 음성 모달리티를 포함한 멀티모달 설정까지 확장하고, 이러한 모달리티 간 평가의 구조적 차이를 분석한다. 문헌은 ACL Anthology, IEEE Xplore, ACM Digital Library, Google Scholar에 대한 체계적 검색을 통해 수집하였으며, 2000년부터 2025년까지의 출판물을 대상으로 명시적 포함·제외 기준을 적용하여 약 200편의 핵심 참고문헌을 도출하였다. SRL 벤치마크, 평가 지표, 패러다임 모델링 접근법을 도메인 전반의 실용적 응용과 함께 논의한다. 대규모 언어 모델과 더 넓은 NLP 영향력 속에서 변화하는 SRL의 역할을 다루며, 향후 연구 방향을 분석한다.
HIPE-2026는 노이즈가 많은 다국어 역사 문헌에서 인물-장소 시간 근거 관계(at, isAt) 추출을 다루는 HIPE 시리즈 3판 공유 과제로, 17개 팀의 40회 이상 제출을 정확도·계산 효율·교차 도메인 일반화 관점에서 분석한다. 프랑스어·독일어·영어 19-20세기 신문과 서프라이즈 문학 도메인에서 OCR 노이즈·역사적 언어 변화·간접 문맥 단서가 핵심 난제이며, 최신 대규모 언어 모델(LLM)부터 경량 분류기까지 다양한 접근의 정확도·효율·견고성 트레이드오프가 드러난다.