論文の概要: Entropic Claim Resolution: Uncertainty-Driven Evidence Selection for RAG

• arxiv url: http://arxiv.org/abs/2603.28444v1
• Date: Mon, 30 Mar 2026 13:49:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.427271
• Title: Entropic Claim Resolution: Uncertainty-Driven Evidence Selection for RAG
• Title（参考訳）: エントロピック・クレーム・レゾリューション:不確実性駆動によるRAGのエビデンス選択
• Authors: Davide Di Gioia,
• Abstract要約: エントロピー最小化としてRAG推論を再構成する新しい推論時間アルゴリズムであるEntropic Claim Resolution (ECR)を導入する。 ECRは、情報の価値に関する決定論的基準である期待エントロピー還元(EER)を最大化することで、原子証拠の主張を選択する。 我々のフレームワークは、不確実性を認識した証拠選択のための厳格な基盤を提供し、パラダイムが最も差別的なものを検索するために最も関係のあるものを検索することからシフトする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current Retrieval-Augmented Generation (RAG) systems predominantly rely on relevance-based dense retrieval, sequentially fetching documents to maximize semantic similarity with the query. However, in knowledge-intensive and real-world scenarios characterized by conflicting evidence or fundamental query ambiguity, relevance alone is insufficient for resolving epistemic uncertainty. We introduce Entropic Claim Resolution (ECR), a novel inference-time algorithm that reframes RAG reasoning as entropy minimization over competing semantic answer hypotheses. Unlike action-driven agentic frameworks (e.g., ReAct) or fixed-pipeline RAG architectures, ECR sequentially selects atomic evidence claims by maximizing Expected Entropy Reduction (EER), a decision-theoretic criterion for the value of information. The process dynamically terminates when the system reaches a mathematically defined state of epistemic sufficiency (H <= epsilon, subject to epistemic coherence). We integrate ECR into a production-grade multi-strategy retrieval pipeline (CSGR++) and analyze its theoretical properties. Our framework provides a rigorous foundation for uncertainty-aware evidence selection, shifting the paradigm from retrieving what is most relevant to retrieving what is most discriminative.
• Abstract（参考訳）: 現在のRAG(Retrieval-Augmented Generation)システムは、クエリとセマンティックな類似性を最大化するためにドキュメントを逐次取得する、関連性に基づく高密度検索に大きく依存している。 しかし、矛盾する証拠や基本的な問合せの曖昧さを特徴とする知識集約的・現実的なシナリオにおいては、認識の不確実性を解決するには、関連性だけでは不十分である。 本稿では、競合するセマンティックな答え仮説よりも、エントロピー最小化としてRAG推論を再構成する新しい推論時間アルゴリズムであるEntropic Claim Resolution (ECR)を紹介する。 アクション駆動型エージェントフレームワーク(例えばReAct)や固定パイプRAGアーキテクチャとは異なり、ECRは情報の価値に関する決定論的基準である期待エントロピー削減(EER)を最大化することで、原子的エビデンスを順次選択する。 この過程は、システムが数学的に定義されたてんかん症状の状態に達すると動的に終了する(H <= epsilon, subject to epistemic coherence)。 実運用レベルのマルチストラテジー検索パイプライン(CSGR++)にECRを統合し,その理論的特性を解析する。 我々のフレームワークは、不確実性を認識した証拠選択のための厳格な基盤を提供し、パラダイムが最も差別的なものを検索するために最も関係のあるものを検索することからシフトする。

関連論文リスト

• Towards Energy-aware Requirements Dependency Classification: Knowledge-Graph vs. Vector-Retrieval Augmented Inference with SLMs [0.3499870393443268]
  持続可能な要求工学のために、SLM(Small Language Models)やエネルギーを意識したアーキテクチャへ移行する必要性がますます高まっている。 本研究では、知識グラフに基づく検索(KGR)とベクトルに基づくセマンティック検索(VSR)を比較して、SLMに基づく推論を強化するエネルギー認識フレームワークを提案し、実証的に評価する。
  論文  参考訳（メタデータ） (2026-03-25T05:29:36Z)
• SoK: Agentic Retrieval-Augmented Generation (RAG): Taxonomy, Architectures, Evaluation, and Research Directions [0.0]
  本稿では、これらの自律システムを理解するための最初の統一されたフレームワークを提供する。 エージェント検索生成ループを有限水平部分観測可能なマルコフ決定過程として定式化する。 本研究は,幻覚伝播の複合化,メモリ中毒,検索ミスアライメント,カスケードツール実行脆弱性など,自律ループに固有の重篤なシステムリスクを同定する。
  論文  参考訳（メタデータ） (2026-03-07T23:38:57Z)
• FAIR-RAG: Faithful Adaptive Iterative Refinement for Retrieval-Augmented Generation [0.0]
  本稿では、標準的なRAGパイプラインを動的にエビデンス駆動の推論プロセスに変換する新しいエージェントフレームワークであるFAIR-RAGを紹介する。 本稿では,HotpotQA,2WikiMultiHopQA,MusiQueなどのマルチホップQAベンチマーク実験を行う。 我々の研究は、高度なRAGシステムにおける信頼性と正確な推論を解き明かすためには、明確なギャップ分析による構造化されたエビデンス駆動の洗練プロセスが不可欠であることを示す。
  論文  参考訳（メタデータ） (2025-10-25T15:59:33Z)
• Rediscovering Entropy Regularization: Adaptive Coefficient Unlocks Its Potential for LLM Reinforcement Learning [55.59724323303857]
  本稿では,3つのコンポーネントによる探索と利用のバランスをとるフレームワークを提案する。 複数の数学的推論ベンチマークの実験は、AERが一貫してベースラインを上回り、推論精度と探索能力の両方を改善していることを示している。
  論文  参考訳（メタデータ） (2025-10-13T03:10:26Z)
• BEE-RAG: Balanced Entropy Engineering for Retrieval-Augmented Generation [64.04387001968414]
  本稿では,RAGシステムの適応性を改善するために,バランスの取れたエントロピーエンジニアリングRAG(BEE-RAG)フレームワークを提案する。 BEE-RAGは、注意感度をコンテキスト長から分離し、安定したエントロピーレベルを確保する。 これに基づいて,マルチインパタンス推定のためのゼロショット推論戦略とパラメータ効率適応微調整機構を導入する。
  論文  参考訳（メタデータ） (2025-08-07T07:37:25Z)
• From Ambiguity to Accuracy: The Transformative Effect of Coreference Resolution on Retrieval-Augmented Generation systems [6.762635083456022]
  RAGに基づくシステムにおいて,エンティティコアが文書検索と生成性能にどのように影響するかを検討する。 コア参照の解決により検索効率が向上し,質問応答性能(QA)が向上することが実証された。 本研究の目的は、知識集約型AIアプリケーションにおける検索と生成を改善するためのガイダンスを提供することである。
  論文  参考訳（メタデータ） (2025-07-10T15:26:59Z)
• 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)

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。