本論文では、トランスフォーマーを基盤とする言語モデルに基づくエンドツーエンドの共同エンティティおよび関係抽出アプローチを提案します。当該モデルは、LaTeX文書における数式記号とその説明のリンク作業に適用されます。既存の手法がエンティティと関係の抽出を順次行うのに対し、我々のシステムは関係抽出から得られる情報をエンティティ抽出に組み込むことで、一部のみが注釈付けられたデータセットでも学習が可能です。提案したシステムの評価を行い、その長所と短所について詳細に報告します。推論時に計算複雑さを動的にスケーリングできる当該アプローチは、高精度な予測を生成し、SemEval-2022 Task 12のリーダーボードで3位を獲得しました。物理および数学分野での入力に対しては、それぞれ95.43%および79.17%という高い関係抽出マクロF1スコアを達成しています。モデルの学習と評価に使用されたコードは以下のURLで公開されています: https://github.com/nicpopovic/RE1st