Fugu-MT 論文翻訳(概要): AIC CTU@FEVER 8: On-premise fact checking through long context RAG

論文の概要: AIC CTU@FEVER 8: On-premise fact checking through long context RAG

arxiv url: http://arxiv.org/abs/2508.04390v1
Date: Tue, 05 Aug 2025 14:03:43 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-07 20:09:22.712328
Title: AIC CTU@FEVER 8: On-premise fact checking through long context RAG
Title（参考訳）: AIC CTU@FEVER 8:ロングコンテキストRAGによる現場事実チェック
Authors: Herbert Ullrich, Jan Drchal,
Abstract要約: 私たちのファクトチェックシステムは、昨年の提出に基づいて、単純な2ステップのRAGパイプラインです。パイプラインをオンプレミスで再デプロイし、最先端のファクトチェックのパフォーマンスを実現する方法を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: In this paper, we present our fact-checking pipeline which has scored first in FEVER 8 shared task. Our fact-checking system is a simple two-step RAG pipeline based on our last year's submission. We show how the pipeline can be redeployed on-premise, achieving state-of-the-art fact-checking performance (in sense of Ev2R test-score), even under the constraint of a single NVidia A10 GPU, 23GB of graphical memory and 60s running time per claim.
Abstract（参考訳）: 本稿では,FEVER 8共有タスクで最初に獲得したファクトチェックパイプラインについて述べる。私たちのファクトチェックシステムは、昨年の提出に基づいて、単純な2ステップのRAGパイプラインです。単一のNVidia A10 GPU、23GBのグラフィカルメモリ、クレーム当たり60秒のランニングタイムの制約下であっても、パイプラインをオンプレミスで再デプロイし、最先端のファクトチェックパフォーマンス(Ev2Rテストスコアという意味で)を達成する方法を示す。

関連論文リスト

ReasonIR: Training Retrievers for Reasoning Tasks [139.54343970560103]
ReasonIR-8Bは一般的な推論タスクのために特別に訓練された最初のレトリバーである。新たに29.9 nDCG@10をリランカなしで、36.9 nDCG@10をリランカで達成している。
論文参考訳（メタデータ） (2025-04-29T09:49:28Z)
On Precomputation and Caching in Information Retrieval Experiments with Pipeline Architectures [29.052615070543606]
我々は、オープンソースのPyTerrier IRプラットフォームのキャッシング機能を改善する取り組みについて説明する。 1)システム比較時の共通パイプラインプレフィックスの自動暗黙キャッシュと,(2)新しい拡張パッケージであるpyterrier-cachingによるオペレーションの明示的なキャッシュである。
論文参考訳（メタデータ） (2025-04-14T08:51:35Z)
Passage Segmentation of Documents for Extractive Question Answering [0.0]
本研究では,高密度流路検索と終端RAGパイプラインの性能向上において,チャンキングが重要な役割を担っていることを強調する。長い文書をコンテキスト化して自己完結した様々な粒度のチャンクに分割する新しいフレームワークであるLogits-Guided Multi-Granular Chunker (LGMGC)を紹介した。
論文参考訳（メタデータ） (2025-01-17T03:42:18Z)
Pipeline Parallelism with Controllable Memory [6.135123843073223]
既存のパイプラインスケジュールのほとんどすべてがメモリ非効率であることが示されています。制御可能なアクティベーションメモリを備えた,メモリ効率の良いビルディングブロック群を紹介する。 1F1Bと同じアクティベーションメモリを維持しながら、ほぼゼロのパイプラインバブルを実現することができる。
論文参考訳（メタデータ） (2024-05-24T08:54:36Z)
Turbocharge Speech Understanding with Pilot Inference [0.9699101045941684]
本稿では,資源制約のあるエッジデバイス上での現代音声理解の促進を図る。デバイス上での実行をスピードアップする、デバイス容量を超える入力をオフロードする、というハイブリッドなアプローチが必要です。プロトタイプはPASUと呼ばれ、Armプラットフォーム上で6～8コアでテストされており、SOTAの精度が得られます。
論文参考訳（メタデータ） (2023-11-22T17:14:18Z)
Distributed Deep Learning Inference Acceleration using Seamless Collaboration in Edge Computing [93.67044879636093]
本稿では,コラボレーティブエッジコンピューティングにおける分散畳み込みニューラルネットワーク(CNN)を用いた推論高速化について検討する。本研究では,第2エッジサーバ(ES)上のサブタスクの重なり合うゾーンをホストES上で実行し,HALPと命名した新しいタスク協調方式を設計する。実験結果から,GTX 1080TIとJETSON AGX Xavierでは,単一のタスクに対して1.7-2.0x,バッチ毎に1.7-1.8x,バッチ毎に1.7-1.8x,VGG-16では1.7-2.0xのCNN推論を高速化できることがわかった。
論文参考訳（メタデータ） (2022-07-22T18:39:09Z)
Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。本稿では,これらのボトルネックを緩和する一連の改良点について述べる。また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
論文参考訳（メタデータ） (2021-10-16T02:41:35Z)
Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文参考訳（メタデータ） (2021-03-18T08:47:56Z)
A Closer Look at Temporal Sentence Grounding in Videos: Datasets and Metrics [70.45937234489044]
2つの広く使用されているTSGVデータセット(Charades-STAとActivityNet Captions)を再編成し、トレーニング分割と異なるものにします。基本的なIoUスコアを校正するために、新しい評価基準「dR@$n$,IoU@$m$」を導入する。すべての結果は、再編成されたデータセットと新しいメトリクスがTSGVの進捗をよりよく監視できることを示している。
論文参考訳（メタデータ） (2021-01-22T09:59:30Z)
Faster object tracking pipeline for real time tracking [0.0]
マルチオブジェクトトラッキング(MOT)は、視覚ベースのアプリケーションにとって難しい実践的問題である。本稿では,検出に基づく物体追跡手法の高速化に有効な汎用パイプラインについて紹介する。
論文参考訳（メタデータ） (2020-11-08T06:33:48Z)
Rethinking Learning-based Demosaicing, Denoising, and Super-Resolution Pipeline [86.01209981642005]
本研究では,パイプラインが学習ベースDN,DM,SRの混合問題に与える影響について,逐次解とジョイント解の両方で検討する。我々の提案するパイプラインDN$to$SR$to$DMは、他のシーケンシャルパイプラインよりも一貫してパフォーマンスが向上する。混合問題に対する最先端の性能を実現するために, エンドツーエンドのトリニティ・カメラ・エンハンスメント・ネットワーク(TENet)を提案する。
論文参考訳（メタデータ） (2019-05-07T13:19:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。