模型Peeling Embeddings to Extract Latent ontologies
PEEL
一种轻量级探针方法，基于序嵌入目标从冻结的检索嵌入中解码本体结构，仅需概念词汇表而无需文档语料，可零样本迁移到新领域。
时间轴 (近 90 天)
11月2日
PEEL是一种在冻结嵌入上运行的轻量级探针方法，通过序嵌入目标和最小生成树形图算法从概念词汇表中解码分类DAG。
待验证50%
11月2日
PEEL仅需一个概念词汇表，无需任何文档语料即可运行。
待验证50%
11月2日
在两个OLLM基准测试上，PEEL恢复的分类DAG展现出高结构保真度。
待验证50%
11月2日
PEEL能够零样本迁移到新领域，无需目标领域的边监督即可保持性能。
待验证50%
11月2日
PEEL通过最小生成树形图算法在有向图上恢复完整的分类DAG，不预设固定深度或分支数。
待验证50%
11月2日
PEEL在结构保真度接近端到端OLLM流程的前提下，大幅降低了部署门槛，避免了昂贵的LLM训练和文档处理。
待验证50%
11月2日
PEEL的解码结构源于MRL嵌入中固有的粒度信息，而非混淆因素，这通过打乱和反转维度的控制实验得到证实。
待验证50%
全部知识事实 (7)
待验证
PEEL是一种在冻结嵌入上运行的轻量级探针方法，通过序嵌入目标和最小生成树形图算法从概念词汇表中解码分类DAG。
50%待验证PEEL仅需一个概念词汇表，无需任何文档语料即可运行。
50%待验证在两个OLLM基准测试上，PEEL恢复的分类DAG展现出高结构保真度。
50%待验证PEEL能够零样本迁移到新领域，无需目标领域的边监督即可保持性能。
50%待验证PEEL通过最小生成树形图算法在有向图上恢复完整的分类DAG，不预设固定深度或分支数。
50%待验证PEEL在结构保真度接近端到端OLLM流程的前提下，大幅降低了部署门槛，避免了昂贵的LLM训练和文档处理。
50%待验证PEEL的解码结构源于MRL嵌入中固有的粒度信息，而非混淆因素，这通过打乱和反转维度的控制实验得到证实。
50%