論文の概要: Evergreen: Efficient Claim Verification for Semantic Aggregates

• arxiv url: http://arxiv.org/abs/2604.26180v1
• Date: Tue, 28 Apr 2026 23:55:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.201596
• Title: Evergreen: Efficient Claim Verification for Semantic Aggregates
• Title（参考訳）: Evergreen: セマンティックアグリゲートの効率的なクレーム検証
• Authors: Alexander W. Lee, Benjamin Han, Shayak Sen, Sam Yeom, Ugur Cetintemel, Anupam Datta,
• Abstract要約: セマンティッククエリ処理タスクとしてクレーム検証をリキャストするシステムであるEvergreenを提案する。 Everettは、各クレームを宣言的なセマンティック検証クエリにコンパイルし、アグリゲートを生成する同じエンジン上で実行する。 高いLCMで優れた検証品質(F1 = 1.00)を実現し、未最適化の検証に比べてコストを3.2倍、レイテンシを4.0倍削減する。
• 参考スコア（独自算出の注目度）: 41.757837386071074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With recent semantic query processing engines, semantic aggregation has become a primitive operator, enabling the reduction of a relation into a natural language aggregate using an LLM. However, the resulting semantic aggregate may contain claims that are not grounded in the underlying relation. Verifying such claims is challenging: they often involve quantifiers, groupings, and comparisons over relations that far exceed LLM context windows and require a costly combination of semantic and symbolic processing. We present Evergreen, a system that recasts claim verification as a semantic query processing task with tailored optimizations and provenance capture. Evergreen compiles each claim into a declarative semantic verification query and executes it on the same engine that produced the aggregate. To reduce cost and latency, Evergreen avoids unnecessary LLM calls through verification-aware optimizations (early stopping, relevance sorting, and estimation with confidence sequences) and general-purpose optimizations for semantic queries (operator fusion, similarity filtering, and prompt caching). Each verdict is accompanied by citations that identify a minimal set of tuples justifying the result, with semantics based on semiring provenance for first-order logic. On a benchmark of real-world restaurant review datasets reflecting production-inspired workloads, Evergreen achieves excellent verification quality (F1 = 1.00) with a strong LLM while reducing cost by 3.2x and latency by 4.0x compared to unoptimized verification. Even with a significantly weaker LLM, Evergreen outperforms a strong LLM-as-a-judge baseline in F1 at 48x lower cost and 2.3x lower latency. Relative to a retrieval-augmented agent, Evergreen compares favorably in F1 and latency with similar cost when both use a strong LLM; yet, with a much weaker LLM, it achieves the same F1 at 63x lower cost and 4.2x lower latency.
• Abstract（参考訳）: 最近のセマンティッククエリ処理エンジンでは、セマンティックアグリゲーションがプリミティブ演算子となり、LLMを用いて関係を自然言語アグリゲーションに還元することができる。 しかし、結果のセマンティック・アグリゲーションは、基礎となる関係に基づかない主張を含むかもしれない。 量子化器、グループ化、およびLLMコンテキストウインドウをはるかに越え、セマンティック処理とシンボリック処理のコストのかかる組み合わせを必要とする関係の比較を含むことが多い。 提案するEvergreenは,クレーム検証をセマンティッククエリ処理タスクとして再キャストするシステムである。 Evergreenは、各クレームを宣言的なセマンティック検証クエリにコンパイルし、アグリゲートを生成する同じエンジン上で実行する。 コストとレイテンシを低減するため、Evergreenは検証対応の最適化(早期停止、関連ソート、信頼シーケンスによる推定)とセマンティッククエリ(オペレータフュージョン、類似度フィルタリング、即時キャッシュ)の汎用最適化を通じて不要なLCM呼び出しを避ける。 各評定には、結果を正当化する最小限のタプルの集合を識別する引用が伴い、一階述語論理の半順序証明に基づく意味論が伴う。 プロダクションにインスパイアされたワークロードを反映した実際のレストランレビューデータセットのベンチマークでは、Evergreenは強力なLCMで優れた検証品質(F1 = 1.00)を達成すると同時に、コストを3.2倍、レイテンシを4.0倍削減する。 かなり弱いLDMでも、EvergreenはF1の強力なLCM-as-a-judgeベースラインを48倍の低コスト、2.3倍のレイテンシで上回る。 検索強化エージェントとは対照的に、Evergreenは強力なLDMを使用する場合のF1とレイテンシを同様のコストで比較するが、より弱いLSMでは、同じF1を63倍の低コストで4.2倍のレイテンシで達成する。

関連論文リスト

• HCRE: LLM-based Hierarchical Classification for Cross-Document Relation Extraction with a Prediction-then-Verification Strategy [54.91468501159335]
  文書間関係抽出 (RE) は, 異なる文書に存在する頭部尾部エンティティ間の関係を識別することを目的としている。 本稿では,各レベルでの多視点検証により信頼性を向上させる推論戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-09T07:55:27Z)
• $\nabla$-Reasoner: LLM Reasoning via Test-Time Gradient Descent in Latent Space [71.23672814629448]
  $nabla$-Reasonerは、トークンログに対する差別化可能な最適化をデコードループに統合する反復生成フレームワークである。 $nabla$-Reasonerは、挑戦的な数学的推論ベンチマークで20%以上の精度の向上を実現している。
  論文  参考訳（メタデータ） (2026-03-05T08:42:54Z)
• Beyond Linear LLM Invocation: An Efficient and Effective Semantic Filter Paradigm [17.52767415071768]
  Clustering-Sampling-Voting(CSV)は、エラー保証を提供しながら、呼び出しをサブ線形の複雑さに還元するフレームワークである。 CSVはセマンティッククラスタをセマンティッククラスタに組み込み、評価のために小さなサブセットをサンプリングし、2つの投票戦略を通じてクラスタレベルのラベルを推論する。
  論文  参考訳（メタデータ） (2026-03-05T04:37:15Z)
• Relation as a Prior: A Novel Paradigm for LLM-based Document-level Relation Extraction [4.476410350566294]
  LLMに基づく文書レベルの関係抽出(DocRE)のための新しいリレーショナル・アズ・プライマリ(RelPrior)パラダイムを提案する。 RelPriorは、二項関係を抽出の先行として利用し、2つのエンティティが相関しているかどうかを決定し、無関係なエンティティペアをフィルタリングする。 2つのベンチマークの大規模な実験により、RelPriorは既存のLCMベースの手法を超越して最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-11-11T11:55:27Z)
• Collaborative Stance Detection via Small-Large Language Model Consistency Verification [11.512736305376654]
  ソーシャルメディア上のスタンス検出は、特定のターゲットに対するツイートで表される態度を特定することを目的としている。 スタンス検出にLLM(Large Language Models)を多用することは、現実のソーシャルメディア監視システムでは現実的ではない。 スモールラージ言語モデル一貫性を用いたtextbfunderlineCollaborative Stance Detectionを提案する。
  論文  参考訳（メタデータ） (2025-02-27T10:30:50Z)
• LLM2: Let Large Language Models Harness System 2 Reasoning [65.89293674479907]
  大規模言語モデル(LLM)は、無数のタスクにまたがって印象的な機能を示してきたが、時には望ましくない出力が得られる。 本稿では LLM とプロセスベースの検証器を組み合わせた新しいフレームワーク LLM2 を紹介する。 LLMs2は妥当な候補を生成するのに責任を持ち、検証者は望ましい出力と望ましくない出力を区別するためにタイムリーなプロセスベースのフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-12-29T06:32:36Z)
• Optimizing LLM Queries in Relational Data Analytics Workloads [50.95919232839785]
  バッチデータ分析は、Large Language Models(LLMs)の急成長するアプリケーションである LLMは、分類、エンティティ抽出、翻訳などの幅広い自然言語タスクを、大規模なデータセット上で実行可能にする。 本稿では,LLMコールによるリレーショナルデータ解析処理のコストを大幅に削減できる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-03-09T07:01:44Z)

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。