PaDeLLM-NER: Parallel Decoding in Large Language Models for Named Entity Recognition

本文是LLM系列文章，针对《PaDeLLM-NER: Parallel Decoding in Large Language Models for Named Entity Recognition》的翻译。

摘要

在这项研究中，我们旨在减少使用大型语言模型（LLM）进行命名实体识别（NER）的生成延迟。LLM中高延迟的主要原因是顺序解码过程，该过程自回归地生成NER的所有标签和提及，显著增加了序列长度。为此，我们在用于NER的LLM中引入了并行解码（PaDeLLM-NER），这是一种无缝集成到现有生成模型框架中的方法，无需额外的模块或架构修改。PaDeLLM-NER允许同时解码所有提及，从而减少生成延迟。实验表明，对于英语和汉语，PaDeLLM-NER显著提高了推理速度，比自回归方法快1.76到10.22倍。同时，它保持了预测的质量，在各种数据集中的性能与最先进的技术不相上下。

1 引言

2 相关工作

3 方法

4 实验

5 加速分析

6 数据污染问题

7 结论

在这项工作中，我们介绍了用于NER的LLM中的并行解码（PaDeLLM-NER），这是一种用于高效NER的并行LLM解码框架。为了实现这一点，我们将传统NER任务的所有标签-提及对的自回归预测重新划分为两步预测：（1）