論文の概要: AIRwaves at CheckThat! 2025: Retrieving Scientific Sources for Implicit Claims on Social Media with Dual Encoders and Neural Re-Ranking

• arxiv url: http://arxiv.org/abs/2509.19509v1
• Date: Tue, 23 Sep 2025 19:26:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.582126
• Title: AIRwaves at CheckThat! 2025: Retrieving Scientific Sources for Implicit Claims on Social Media with Dual Encoders and Neural Re-Ranking
• Title（参考訳）: CheckThat! 2025年: デュアルエンコーダとニューラルリランキングによるソーシャルメディア上の疑念の科学的根拠の検索
• Authors: Cem Ashbaugh, Leon Baumgärtner, Tim Gress, Nikita Sidorov, Daniel Werner,
• Abstract要約: Team AIRwavesはCLEF-2025 CheckThat! LabのSubtask 4bで2位にランクインした。 このベースラインを超えるために、 (i) E5-largeをベースとしたデュアルエンコーダを使用する第1ステージ、および (i) SciBERTクロスエンコーダを用いて、バッチとマイニングされたハードネガを使用して微調整を行い、チャンクトークン化とリッチドキュメントメタデータによって強化された第1ステージ、 (ii) ニューラルネットワーク再ランクステージを導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Linking implicit scientific claims made on social media to their original publications is crucial for evidence-based fact-checking and scholarly discourse, yet it is hindered by lexical sparsity, very short queries, and domain-specific language. Team AIRwaves ranked second in Subtask 4b of the CLEF-2025 CheckThat! Lab with an evidence-retrieval approach that markedly outperforms the competition baseline. The optimized sparse-retrieval baseline(BM25) achieves MRR@5 = 0.5025 on the gold label blind test set. To surpass this baseline, a two-stage retrieval pipeline is introduced: (i) a first stage that uses a dual encoder based on E5-large, fine-tuned using in-batch and mined hard negatives and enhanced through chunked tokenization and rich document metadata; and (ii) a neural re-ranking stage using a SciBERT cross-encoder. Replacing purely lexical matching with neural representations lifts performance to MRR@5 = 0.6174, and the complete pipeline further improves to MRR@5 = 0.6828. The findings demonstrate that coupling dense retrieval with neural re-rankers delivers a powerful and efficient solution for tweet-to-study matching and provides a practical blueprint for future evidence-retrieval pipelines.
• Abstract（参考訳）: ソーシャルメディア上の暗黙的な科学的主張を元の出版物にリンクさせることは、証拠に基づく事実チェックと学術的な言説にとって重要であるが、語彙の空間性、非常に短いクエリ、ドメイン固有の言語によって妨げられている。 CLEF-2025 CheckThat! 競争ベースラインを著しく上回るエビデンス検索アプローチで実験する。 最適化されたスパース-検索ベースライン(BM25)は、ゴールドラベルブラインドテストセットでMRR@5 = 0.5025を達成する。 このベースラインを超えるために、2段階の検索パイプラインが導入された。 i) E5-largeをベースとしたデュアルエンコーダを使用した第1段階,内部バッチとマイニングされたハードネガを使用して微調整を行い,チャンクトークン化とリッチドキュメントメタデータを通じて拡張された第1段階, (ii)SciBERTクロスエンコーダを用いたニューラルリグレードステージ。 純粋な語彙マッチングとニューラル表現を置き換えることで、MRR@5 = 0.6174のパフォーマンスが上がり、完全なパイプラインはさらにMRR@5 = 0.6828に向上する。 この結果から,ニューラルリランカと高密度検索を結合することにより,ツイート・ツー・スタディマッチングのための強力かつ効率的なソリューションが提供され,将来的なエビデンス・検索パイプラインの実用的な青写真が得られた。

関連論文リスト

• NERFIFY: A Multi-Agent Framework for Turning NeRF Papers into Code [49.610331036334316]
  我々はNeRF研究論文をトレーニング可能なNerfstudioプラグインに確実に変換するフレームワークであるNERFIFYを紹介する。 コード、データ、実装が公開される。
  論文  参考訳（メタデータ） (2026-02-28T20:57:32Z)
• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• RubricHub: A Comprehensive and Highly Discriminative Rubric Dataset via Automated Coarse-to-Fine Generation [11.664443383764448]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、数学のような推論集約的な分野において大きな進歩をもたらした。 既存の手法はスケーラビリティのボトルネックと粗い基準に悩まされ、監督天井効果をもたらす。 本稿では,包括的で離散性の高い基準を自動生成する粗大度生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-13T10:56:39Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• ModernBERT + ColBERT: Enhancing biomedical RAG through an advanced re-ranking retriever [0.5371337604556311]
  我々は、ColBERTv2遅延相互作用モデルを用いて、高速な初期候補検索のための軽量なModernBERT双方向エンコーダを開発した。 検索モジュールの解析により,ColBERT再ランカの正の影響が確認され,Recall@3が最大4.2ポイント向上した。 我々のアブレーション研究では、この性能が、レトリバーと再ランカを整列する関節細調整プロセスに極めて依存していることが判明した。
  論文  参考訳（メタデータ） (2025-10-06T12:34:55Z)
• When Retriever Meets Generator: A Joint Model for Code Comment Generation [3.6781644685120924]
  RAGSumは、単一のCodeT5バックボーンを使用して、ヒューズ検索と生成の上に構築されている。 対照的な事前学習フェーズは、最寄りの探索のためのコード埋め込みを形作る。 最終出力を研磨するために、軽量な自己精製ループが配置される。
  論文  参考訳（メタデータ） (2025-07-16T18:12:27Z)
• Deep Retrieval at CheckThat! 2025: Identifying Scientific Papers from Implicit Social Media Mentions via Hybrid Retrieval and Re-Ranking [4.275139302875217]
  CLEF CheckThat! 2025コンペティションのサブタスク4bに対するDeep Retrievalチームの方法論と結果を示す。 本稿では,語彙的精度,意味的一般化,文脈的再ランク付けを併用したハイブリッド検索パイプラインを提案する。 提案手法は, 開発セットで76.46%, 隠されたテストセットで66.43%の平均相反ランクを5 (MRR@5) 達成する。
  論文  参考訳（メタデータ） (2025-05-29T08:55:39Z)
• Scalable Unit Harmonization in Medical Informatics via Bayesian-Optimized Retrieval and Transformer-Based Re-ranking [0.0]
  我々は,大規模臨床データセットにおける一貫性のない単位を調和させるスケーラブルな手法を開発した。 フィルタリング、識別、調和提案生成、自動再ランク付け、手動検証といったマルチステージパイプラインを実装している。 このシステムはランク1で83.39%の精度、ランク5で94.66%のリコールを達成した。
  論文  参考訳（メタデータ） (2025-05-01T19:09:15Z)
• Can Query Expansion Improve Generalization of Strong Cross-Encoder Rankers? [72.42500059688396]
  本稿では,拡張されたクエリのランク付け結果を融合により高速化し,エンジニアリングの迅速化と集約を行うことにより,強力なニューラルネットワークローカの一般化を向上できることを示す。 BEIR と TREC Deep Learning の実験では,MonoT5 と RankT5 の nDCG@10 スコアがこれらのステップに従って改善された。
  論文  参考訳（メタデータ） (2023-11-15T18:11:41Z)
• HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models [81.56455625624041]
  ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。 提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。 合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
  論文  参考訳（メタデータ） (2023-09-27T14:44:10Z)
• Noise-Robust Dense Retrieval via Contrastive Alignment Post Training [89.29256833403167]
  Contrastive Alignment POst Training (CAPOT) は、指数再生を必要とせず、モデルロバスト性を改善する高効率な微調整法である。 CAPOTはドキュメントエンコーダを凍結することで堅牢な検索を可能にし、クエリエンコーダはノイズの多いクエリを修正されていないルートに整列させる。 MSMARCO、Natural Questions、Trivia QAパス検索のCAPOTノイズ変動を評価し、CAPOTがオーバーヘッドを伴わないデータ増大に類似した影響があることを発見した。
  論文  参考訳（メタデータ） (2023-04-06T22:16:53Z)
• KG-FiD: Infusing Knowledge Graph in Fusion-in-Decoder for Open-Domain Question Answering [68.00631278030627]
  検索した通路間の構造的関係を知識グラフで利用することにより,ノイズのある通路をフィルタする新しい手法KG-FiDを提案する。 我々は,KG-FiDが解答一致スコアの最大1.5%向上し,計算コストの40%程度でFiDに匹敵する性能が得られることを示した。
  論文  参考訳（メタデータ） (2021-10-08T18:39:59Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。