Entity Linking (EL)는 기존에는 대규모 주석이 달린 데이터셋과 광범위한 모델 세부 튜닝에 의존해왔다. 최근의 몇-shot 방법은 대규모 언어 모델(Large Language Models, LLMs)을 prompting을 통해 활용하여 훈련 요구를 줄이려는 노력이 있었지만, 비쌍한 LLM 기반 추론으로 인해 효율성에 문제가 있었다. ARTER(Adaptive Routing and Targeted Entity Reasoning)는 후보 생성, 문맥 기반 점수 매기기, 적응적 라우팅, 선택적 추론을 전략적으로 결합하여 깊은 세부 튜닝 없이도 높은 성능을 달성하는 구조화된 파이프라인을 제시한다. ARTER는 소수의 후보 엔티티와 관련 문맥을 고려하여 효율적으로 추론을 수행한다. 이를 통해 기존 방법보다 뛰어난 성능을 보여준다.

<Apple 뉴스 본문 전체읽기>