論文の概要: eTracer: Towards Traceable Text Generation via Claim-Level Grounding

• arxiv url: http://arxiv.org/abs/2601.03669v1
• Date: Wed, 07 Jan 2026 07:44:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.370184
• Title: eTracer: Towards Traceable Text Generation via Claim-Level Grounding
• Title（参考訳）: eTracer: Claim-Level Groundingによるトレース可能なテキスト生成を目指す
• Authors: Bohao Chu, Qianli Wang, Hendrik Damm, Hui Wang, Ula Muhabbek, Elisabeth Livingstone, Christoph M. Friedrich, Norbert Fuhr,
• Abstract要約: eTracerは、コンテキストエビデンスに対するクレームを根拠にすることで、トレース可能なテキスト生成を可能にするフレームワークである。 eTracerはクレームレベルのグラウンドティング結果に基づいて、ユーザがコンテキストソースへのレスポンスを正確にトレースすることを可能にする。
• 参考スコア（独自算出の注目度）: 6.237094706927369
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How can system-generated responses be efficiently verified, especially in the high-stakes biomedical domain? To address this challenge, we introduce eTracer, a plug-and-play framework that enables traceable text generation by grounding claims against contextual evidence. Through post-hoc grounding, each response claim is aligned with contextual evidence that either supports or contradicts it. Building on claim-level grounding results, eTracer not only enables users to precisely trace responses back to their contextual source but also quantifies response faithfulness, thereby enabling the verifiability and trustworthiness of generated responses. Experiments show that our claim-level grounding approach alleviates the limitations of conventional grounding methods in aligning generated statements with contextual sentence-level evidence, resulting in substantial improvements in overall grounding quality and user verification efficiency. The code and data are available at https://github.com/chubohao/eTracer.
• Abstract（参考訳）: バイオメディカル領域において、システム生成応答を効率的に検証するにはどうすればよいか? この課題に対処するために,文脈的エビデンスに対する主張を根拠としてトレーサブルテキスト生成を可能にする,eTracerというプラグイン・アンド・プレイフレームワークを導入する。 ポストホックの根拠を通じて、各応答クレームは、それを支持または矛盾する文脈的証拠と一致している。 eTracerは,クレームレベルの基盤化結果に基づいて,ユーザがコンテキストソースに正確に応答をトレースするだけでなく,応答忠実度を定量化することで,生成した応答の妥当性と信頼性を実現する。 実験の結果,提案手法は文の文脈的証拠と文の文脈的証拠とを一致させる従来の根拠手法の限界を緩和し,全体の根拠品質とユーザ検証効率を大幅に改善することがわかった。 コードとデータはhttps://github.com/chubohao/eTracer.comで公開されている。

関連論文リスト

• VeriCite: Towards Reliable Citations in Retrieval-Augmented Generation via Rigorous Verification [107.75781898355562]
  証拠を厳格に検証し,回答の帰属性を高めるために設計された,VeriCiteと呼ばれる新しいフレームワークを紹介する。 我々は,5つのオープンソースLCMと4つのデータセットを対象とした実験を行い,VeriCiteが回答の正しさを維持しつつ,引用品質を大幅に向上できることを実証した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:54Z)
• Beyond Artificial Misalignment: Detecting and Grounding Semantic-Coordinated Multimodal Manipulations [56.816929931908824]
  マルチモーダルデータにおける意味的協調操作の検出の先駆者となった。 本稿では,RamDG(Retrieval-Augmented Manipulation Detection and Grounding)フレームワークを提案する。 我々のフレームワークは既存の手法よりも優れており、SAMMの精度は最先端の手法に比べて2.06%高い。
  論文  参考訳（メタデータ） (2025-09-16T04:18:48Z)
• SCOPE: A Self-supervised Framework for Improving Faithfulness in Conditional Text Generation [55.61004653386632]
  LLM(Large Language Models)は、しばしば幻覚(幻覚)を生成する。 本稿では,不信なサンプルのトレーニングセットを生成するための,新たな自己指導手法を提案する。 そしてトレーニングプロセスを使ってモデルを洗練し、不信なものよりも基礎的なアウトプットの生成を奨励します。
  論文  参考訳（メタデータ） (2025-02-19T12:31:58Z)
• Contrastive Learning to Improve Retrieval for Real-world Fact Checking [84.57583869042791]
  ファクト・チェッキング・リランカ(Contrastive Fact-Checking Reranker, CFR)を提案する。 我々はAVeriTeCデータセットを活用し、証拠文書からの人間による回答とクレームのサブクエストを注釈付けする。 データセットの精度は6%向上した。
  論文  参考訳（メタデータ） (2024-10-07T00:09:50Z)
• Evidence-Driven Retrieval Augmented Response Generation for Online Misinformation [18.18205773056388]
  オンライン誤報(RARG)のための検索強化応答生成を提案する。 RARGは科学的情報源から証拠を収集し、証拠に基づいて反情報応答を生成する。 得られた証拠の質を維持しつつ,得られた証拠の有効利用を最大化する報奨関数を提案する。
  論文  参考訳（メタデータ） (2024-03-22T05:05:45Z)
• ClaimVer: Explainable Claim-Level Verification and Evidence Attribution of Text Through Knowledge Graphs [13.608282497568108]
  ClaimVerは、ユーザの情報と検証のニーズを満たすように設計された、人間中心のフレームワークである。 各クレームをハイライトし、信頼された知識グラフに対して検証し、クレームの予測に対して簡潔で明確な説明を提供する。
  論文  参考訳（メタデータ） (2024-03-12T17:07:53Z)
• Can AI-Generated Text be Reliably Detected? [50.95804851595018]
  大規模言語モデル(LLM)は、様々なアプリケーションで非常によく機能します。 盗作、偽ニュースの発生、スパムなどの活動においてこれらのモデルが誤用される可能性があることは、彼らの責任ある使用に対する懸念を引き起こしている。 我々は、攻撃者の存在下で、これらのAIテキスト検出装置の堅牢性を強調テストする。
  論文  参考訳（メタデータ） (2023-03-17T17:53:19Z)
• A Controllable Model of Grounded Response Generation [122.7121624884747]
  現在のエンドツーエンドのニューラルネットワークモデルは、応答生成プロセスにセマンティックコントロールを課す柔軟性を本質的に欠いている。 我々は制御可能な接地応答生成(CGRG)と呼ばれるフレームワークを提案する。 このフレームワークを用いることで、会話のようなRedditデータセットでトレーニングされた、新しいインダクティブアテンション機構を備えたトランスフォーマーベースのモデルが、強力な生成ベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2020-05-01T21:22:08Z)

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。