論文の概要: JARVIS: An Evidence-Grounded Retrieval System for Interpretable Deceptive Reviews Adjudication

• arxiv url: http://arxiv.org/abs/2602.12941v1
• Date: Fri, 13 Feb 2026 13:57:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.973912
• Title: JARVIS: An Evidence-Grounded Retrieval System for Interpretable Deceptive Reviews Adjudication
• Title（参考訳）: JARVIS: 解釈可能な認知的レビュー適応のためのエビデンス・グラウンド検索システム
• Authors: Nan Lu, Leyang Li, Yurong Hu, Rui Lin, Shaoyi Xu,
• Abstract要約: JARVIS は Augmented Retrieval と evidence graph Structures を通じて判断を提供するフレームワークである。 ハイブリッド密度スパースマルチモーダル検索により意味論的に類似したエビデンスを検索し、共有エンティティを通じてリレーショナル信号を拡張し、異種エビデンスグラフを構築する。 本フレームワークは,リコール量を27%増加させ,手動検査時間を75%短縮する。
• 参考スコア（独自算出の注目度）: 4.797952842010917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deceptive reviews, refer to fabricated feedback designed to artificially manipulate the perceived quality of products. Within modern e-commerce ecosystems, these reviews remain a critical governance challenge. Despite advances in review-level and graph-based detection methods, two pivotal limitations remain: inadequate generalization and lack of interpretability. To address these challenges, we propose JARVIS, a framework providing Judgment via Augmented Retrieval and eVIdence graph Structures. Starting from the review to be evaluated, it retrieves semantically similar evidence via hybrid dense-sparse multimodal retrieval, expands relational signals through shared entities, and constructs a heterogeneous evidence graph. Large language model then performs evidence-grounded adjudication to produce interpretable risk assessments. Offline experiments demonstrate that JARVIS enhances performance on our constructed review dataset, achieving a precision increase from 0.953 to 0.988 and a recall boost from 0.830 to 0.901. In the production environment, our framework achieves a 27% increase in the recall volume and reduces manual inspection time by 75%. Furthermore, the adoption rate of the model-generated analysis reaches 96.4%.
• Abstract（参考訳）: 知覚的レビュー(deceptive review)とは、製品の品質を人工的に操作するために設計されたフィードバックのこと。 現代のeコマースエコシステムでは、これらのレビューは依然として重要なガバナンス課題である。 レビューレベルとグラフベースの検出手法の進歩にもかかわらず、2つの重要な制限が残っている。 これらの課題に対処するため、Augmented Retrievalおよびevidence graph Structuresを介して判断を提供するフレームワークであるJARVISを提案する。 レビューから評価するために、ハイブリッド密度スパースマルチモーダル検索を通じて意味論的に類似したエビデンスを検索し、共有エンティティを介してリレーショナル信号を拡張し、異種エビデンスグラフを構築する。 大規模言語モデルは、解釈可能なリスクアセスメントを生成するために、エビデンスに基づく判断を実行する。 オフライン実験により、JARVISは構築したレビューデータセットの性能を高め、0.953から0.988への精度向上と0.830から0.901へのリコール向上を実現した。 実運用環境では,本フレームワークはリコール量を27%増加させ,手動検査時間を75%短縮する。 さらに、モデル生成分析の採用率は96.4%に達した。

関連論文リスト

• Chunking, Retrieval, and Re-ranking: An Empirical Evaluation of RAG Architectures for Policy Document Question Answering [0.0]
  大規模言語モデル(LLM)の公衆衛生政策分野への統合は、疾病管理予防センター(CDC)などの機関が管理する規制ガイダンスの膨大なリポジトリをナビゲートするための変革的なアプローチを提供する。 LLMが幻覚を発生させることの正当性は、情報整合性が不可能なハイテイク環境において、これらの技術を採用する上で重要な障壁となる。 この経験的評価は、信頼できる文書コンテキストにおける生成出力を基盤として、これらのリスクを軽減するために、検索型拡張生成(RAG)アーキテクチャの有効性を探求するものである。
  論文  参考訳（メタデータ） (2026-01-21T20:52:48Z)
• From Evidence-Based Medicine to Knowledge Graph: Retrieval-Augmented Generation for Sports Rehabilitation and a Domain Benchmark [12.595335483488052]
  医学において、大規模な言語モデルは、最新の外部証拠のアウトプットを得るために、検索強化世代(RAG)にますます依存している。 本研究は,(1)クエリと検索されたエビデンス間のPICOアライメントの欠如,(2)再ランク付け時のエビデンス階層的考察の欠如,の2つの主要なギャップに対処する。 本稿では,知識グラフ構築と検索にPICOフレームワークを統合することにより,EMMをグラフベースRAGに適用するための一般化可能な戦略を提案する。
  論文  参考訳（メタデータ） (2026-01-01T05:20:54Z)
• Factuality and Transparency Are All RAG Needs! Self-Explaining Contrastive Evidence Re-ranking [0.2864713389096699]
  この拡張された抽象概念は、自己説明的コントラストエビデンス・リランキング(CER)を導入している。 CERは、コントラスト学習による微調整埋め込みによる事実証拠の検索を再構築し、検索された各パスに対してトークンレベルの帰属論理を生成する。 本手法を臨床試験報告で評価した結果,CERは検索精度を向上し,RAGシステムにおける幻覚の可能性を軽減し,特に安全上重要な領域において信頼性を高めるための透明でエビデンスに基づく検索を提供することが明らかとなった。
  論文  参考訳（メタデータ） (2025-12-04T17:24:35Z)
• Towards Real-Time Fake News Detection under Evidence Scarcity [66.58597356379907]
  本稿では,リアルタイムフェイクニュース検出のための新しいフレームワークである評価アウェア・セレクション・オブ・エキスパートズ(EASE)を提案する。 EASEは、利用可能な証拠の十分性を評価した意思決定プロセスに適合する。 本稿では,新興ニュースのモデル一般化を限られた証拠で評価するための新しいベンチマークであるRealTimeNews-25を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T11:11:46Z)
• EviNote-RAG: Enhancing RAG Models via Answer-Supportive Evidence Notes [39.61443457073034]
  EviNote-RAGは検索ノート・アンサーのワークフローに従うフレームワークである。 生の外部情報を直接推論する代わりに、モデルが最初にサポート・エビデンス・ノートを生成する。 EviNote-RAGは最先端のパフォーマンスを実現し、回答の正確性、トレーニングの安定性、堅牢性、効率性を向上する。
  論文  参考訳（メタデータ） (2025-08-31T14:44:45Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• TrendFact: A Benchmark for Explainable Hotspot Perception in Fact-Checking with Natural Language Explanation [9.221637941193606]
  ホットスポット認識能力(HPA)とすべてのファクトチェックタスクを評価することができる最初のベンチマークであるTrendFactを紹介する。 TrendFactは、トレンドプラットフォームとプロのファクトチェックデータセットから得られた7,643のキュレートされたサンプルで構成されている。 また、動的エビデンス強化と影響スコアに基づく反復的自己回帰を統合した推論フレームワークであるFactISRを提案する。
  論文  参考訳（メタデータ） (2024-10-19T15:25:19Z)
• Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
  我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。 本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。 我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-24T14:52:14Z)

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。