Fugu-MT 論文翻訳(概要): Solving Freshness in RAG: A Simple Recency Prior and the Limits of Heuristic Trend Detection

論文の概要: Solving Freshness in RAG: A Simple Recency Prior and the Limits of Heuristic Trend Detection

arxiv url: http://arxiv.org/abs/2509.19376v1
Date: Sat, 20 Sep 2025 00:19:37 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-25 20:53:19.526691
Title: Solving Freshness in RAG: A Simple Recency Prior and the Limits of Heuristic Trend Detection
Title（参考訳）: RAGにおけるフレッシュネスの解決 : 単純遅延先行法とヒューリスティックトレンド検出の限界
Authors: Matthew Grofsky,
Abstract要約: 単純な電流は0.08F1スコアの精度を達成する前に達成され、トレンド検出には単純な値を超える方法が必要であることを示した。トピックのクラスタリングが失敗した(0.08 F1スコア)。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We address temporal failures in RAG systems using two methods on cybersecurity data. A simple recency prior achieved an accuracy of 1.00 on freshness tasks. In contrast, a clustering heuristic for topic evolution failed (0.08 F1-score), showing trend detection requires methods beyond simple heuristics.
Abstract（参考訳）: サイバーセキュリティデータに対する2つの手法を用いて,RAGシステムにおける時間的障害に対処する。単純な正確さは、新鮮度タスクで1.00の精度を達成した。対照的に、トピック進化のためのクラスタリングヒューリスティックは失敗し(0.08 F1スコア)、トレンド検出には単純なヒューリスティック以上の方法が必要である。

関連論文リスト

Anomalous Decision Discovery using Inverse Reinforcement Learning [3.3675535571071746]
異常検出は、知覚システムを通じて異常な行動を特定することによって、自律走行車(AV)において重要な役割を果たす。現在のアプローチは、しばしば定義済みのしきい値や教師付き学習パラダイムに依存するが、目に見えないシナリオに直面すると効果が低下する。異常検出のための新しいIRLフレームワークである Trajectory-Reward Guided Adaptive Pre-training (TRAP) を提案する。
論文参考訳（メタデータ） (2025-07-06T17:01:02Z)
METANOIA: A Lifelong Intrusion Detection and Investigation System for Mitigating Concept Drift [6.988127333802916]
本稿では,概念漂流による偽陽性を緩和する最初の終生検出システムであるMetanoiaについて述べる。最先端ベンチマークを用いて,MeTANOIAはウィンドウレベル,グラフレベル,ノードレベルの精度をそれぞれ30%,54%,29%向上することを示した。
論文参考訳（メタデータ） (2024-12-31T13:44:27Z)
Unpacking Failure Modes of Generative Policies: Runtime Monitoring of Consistency and Progress [31.952925824381325]
本稿では,障害検出を補完する2つのカテゴリに分割するランタイム監視フレームワークを提案する。視覚言語モデル(VLM)を用いて、ポリシーがタスクを解決しないアクションを確実かつ一貫して行うことを検知する。時間的一貫性検出とVLMランタイム監視を統一することにより、Sentinelは2つの検出器のみを使用する場合よりも18%の障害を検出する。
論文参考訳（メタデータ） (2024-10-06T22:13:30Z)
ORCHID: Streaming Threat Detection over Versioned Provenance Graphs [11.783370157959968]
本稿では,リアルタイムイベントストリーム上でプロセスレベルの脅威を詳細に検出する新しいProv-IDSであるORCHIDを提案する。 ORCHIDは、バージョン付き前処理グラフのユニークな不変特性を利用して、グラフ全体を逐次RNNモデルに反復的に埋め込む。我々は、DARPA TCを含む4つの公開データセット上でORCHIDを評価し、ORCHIDが競合する分類性能を提供できることを示す。
論文参考訳（メタデータ） (2024-08-23T19:44:40Z)
Adaptive Retention & Correction: Test-Time Training for Continual Learning [114.5656325514408]
連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
論文参考訳（メタデータ） (2024-05-23T08:43:09Z)
Purify Unlearnable Examples via Rate-Constrained Variational Autoencoders [101.42201747763178]
未学習例(UE)は、正しくラベル付けされたトレーニング例に微妙な修正を加えることで、テストエラーの最大化を目指している。我々の研究は、効率的な事前学習浄化法を構築するための、新しいゆがみ機構を提供する。
論文参考訳（メタデータ） (2024-05-02T16:49:25Z)
Federated Learning with Anomaly Detection via Gradient and Reconstruction Analysis [2.28438857884398]
自動エンコーダ駆動のデータ再構成と勾配解析を相乗化して、前例のない精度で有毒データを検出・緩和する新しいフレームワークを提案する。本手法は, 最小偽陽性率を維持しつつ, 異常検出精度を15%向上させる。私たちの仕事は、分散学習のセキュリティにおける将来の進歩の道を開くものです。
論文参考訳（メタデータ） (2024-03-15T03:54:45Z)
Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
論文参考訳（メタデータ） (2021-06-03T09:50:13Z)
Fast OSCAR and OWL Regression via Safe Screening Rules [97.28167655721766]
順序付き$L_1$ (OWL)正規化回帰は、高次元スパース学習のための新しい回帰分析である。近勾配法はOWL回帰を解くための標準手法として用いられる。未知の順序構造を持つ原始解の順序を探索することにより、OWL回帰の最初の安全なスクリーニングルールを提案する。
論文参考訳（メタデータ） (2020-06-29T23:35:53Z)
Transferable, Controllable, and Inconspicuous Adversarial Attacks on Person Re-identification With Deep Mis-Ranking [83.48804199140758]
システム出力のランキングを乱す学習とミスランクの定式化を提案する。また,新たなマルチステージネットワークアーキテクチャを開発することで,バックボックス攻撃を行う。そこで本手法では, 異なるマルチショットサンプリングにより, 悪意のある画素数を制御することができる。
論文参考訳（メタデータ） (2020-04-08T18:48:29Z)

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。