論文の概要: H-MAPS: Hierarchical Memory-Augmented Proactive Search Assistant for Scientific Literature

• arxiv url: http://arxiv.org/abs/2605.10097v1
• Date: Mon, 11 May 2026 07:13:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.594039
• Title: H-MAPS: Hierarchical Memory-Augmented Proactive Search Assistant for Scientific Literature
• Title（参考訳）: H-MAPS:科学文献のための階層型メモリ拡張プロアクティブ検索アシスタント
• Authors: Koji Nishikawa, Makoto P. Kato,
• Abstract要約: 本稿では,H-MAPS (Hierarchical Memory-Augmented Proactive Search Assistant) について紹介する。 H-MAPSは暗黙の読み動作によってトリガーされ、ユーザの潜伏した情報要求を明示的な自然言語の質問に記述する。 応答として、システムはプロファイル固有の質問を生成し、各ユーザに適した個別の文献を検索する。
• 参考スコア（独自算出の注目度）: 1.4051419173519308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific reading is an active process that frequently requires consulting external resources, but manual keyword searching interrupts the reading flow and imposes a high cognitive load. Existing proactive information retrieval systems often suffer from context ambiguity, as they rely solely on on-screen text and ignore the reader's specific background and intent. In this demonstration, we present H-MAPS (Hierarchical Memory-Augmented Proactive Search Assistant), a proactive literature exploration assistant that resolves this ambiguity by leveraging a three-layered hierarchical memory. Triggered by implicit reading behaviors, H-MAPS articulates the user's latent information needs into explicit natural language questions and performs neural retrieval entirely on the local device to ensure privacy. We demonstrate H-MAPS using a scenario where two researchers, specializing in NLP and HCI, read the same paper. In response, the system generates profile-specific questions and retrieves distinct literature tailored to each user.
• Abstract（参考訳）: 科学的な読解は、しばしば外部リソースの相談を必要とする活発なプロセスであるが、手動によるキーワード検索は読み出しフローを中断し、高い認知負荷を課す。 既存のアクティブな情報検索システムは、画面上のテキストのみに依存し、読者の特定の背景や意図を無視しているため、文脈の曖昧さに悩まされることが多い。 本稿では,H-MAPS (hierarchical Memory-Augmented Proactive Search Assistant) を提案する。 H-MAPSは暗黙の読み取り動作によってトリガーされ、ユーザの潜伏する情報要求を明示的な自然言語の質問に表現し、プライバシーを確保するためにローカルデバイスで完全に神経検索を行う。 我々は、NLPとHCIに特化した2人の研究者が同じ論文を読むシナリオを用いて、H-MAPSを実証する。 応答として、システムはプロファイル固有の質問を生成し、各ユーザに適した個別の文献を検索する。

関連論文リスト

• Memory Retrieval in Transformers: Insights from The Encoding Specificity Principle [12.760164795953989]
  本研究では,注目層によってインスタンス化される記憶機構について検討する。 キーは、インデックス候補メモリトレース、アテンションキュートレース類似性、およびエンコードされたコンテンツを運ぶ。 このキーワード-as-cues仮説の収束する証拠を提供する。
  論文  参考訳（メタデータ） (2026-01-28T05:58:09Z)
• Learning Contextual Retrieval for Robust Conversational Search [34.74877456870482]
  ContextualRetrieverは、会話コンテキストを直接検索プロセスに組み込む新しいLLMベースのレトリバーである。 提案手法では,(1)対話履歴中の現在のクエリを強調表示するコンテキスト認識型埋め込み機構,(2)高品質なリライトクエリに基づく意図誘導型監視,(3)ベースLLMの生成能力を維持するためのトレーニング戦略を紹介する。
  論文  参考訳（メタデータ） (2025-09-24T02:17:37Z)
• ELOQ: Resources for Enhancing LLM Detection of Out-of-Scope Questions [52.33835101586687]
  本研究では,検索した文書が意味的に類似しているように見えるスコープ外質問について検討するが,答えるために必要な情報がない。 本稿では,閉経後の文書から多様なスコープ外質問を自動的に生成するための,幻覚に基づくELOQを提案する。
  論文  参考訳（メタデータ） (2024-10-18T16:11:29Z)
• Dense X Retrieval: What Retrieval Granularity Should We Use? [56.90827473115201]
  しばしば見過ごされる設計選択は、コーパスが索引付けされる検索単位である。 本稿では,高密度検索のための新しい検索ユニット,命題を提案する。 実験により、提案のような細粒度単位によるコーパスのインデックス付けは、検索タスクにおける通過レベル単位を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-12-11T18:57:35Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
  InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
  論文  参考訳（メタデータ） (2023-05-12T11:58:15Z)

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。