論文の概要: Beyond Topical Similarity: Contrastive Evidence Retrieval with Interpretable Attention Alignment in RAG

• arxiv url: http://arxiv.org/abs/2606.01482v1
• Date: Sun, 31 May 2026 22:54:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.729628
• Title: Beyond Topical Similarity: Contrastive Evidence Retrieval with Interpretable Attention Alignment in RAG
• Title（参考訳）: トピック的類似性を超えて:RAGにおける解釈的アテンションアライメントによる対比的エビデンス検索
• Authors: Francielle Vargas, João Robiatti, Diego Alves, Lucas Pascotti Valem, Maximilian Seeth, Sebastián Ferrada, Ameeta Agrawal, Daniel Pedronette, André Freitas,
• Abstract要約: 本稿では,主観性に基づくハードネガティブ選択を用いた最初の検索フレームワークであるContrastive Evidence Rationale Attention (CERA)を紹介する。 CERAは、三重項に基づくコントラスト学習と解釈可能なアライメントアライメントという2つの訓練目標を用いて、高密度レトリバーを微調整する。
• 参考スコア（独自算出の注目度）: 20.048041581496896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring factuality and interpretability in RAG remains an open and urgent problem. We introduce Contrastive Evidence Rationale Attention (CERA), the first retrieval framework to employ subjectivity-based hard negative selection and inject an evidential inductive bias into contrastive learning through an auxiliary attention alignment loss. CERA fine-tunes a dense retriever using two training objectives: triplet-based contrastive learning and interpretable attention alignment, which supervises CLS-to-token attention using a part-of-speech-weighted masking distribution over human-annotated factual rationales as evidence signals. Experiments on a large corpus of clinical trial reports demonstrate that the subjectivity-based hard negative selection substantially improves retrieval effectiveness compared to both Contriever and hard negative selection baselines. Furthermore, rationale alignment improves faithfulness while maintaining competitive retrieval performance, supporting the hypothesis that attention can serve as a more faithful explanation of model behavior when guided by human rationales. Moving beyond topical similarity, CERA enables the retriever to identify the specific tokens that constitute supporting evidence, promoting more interpretable evidence selection in RAG systems.
• Abstract（参考訳）: RAGにおける事実性と解釈可能性の確保は、依然としてオープンで緊急の課題である。 本稿では,主観性に基づく否定的選択を取り入れた最初の検索フレームワークであるContrastive Evidence Rationale Attention (CERA)を紹介する。 CERAは、三重項に基づくコントラスト学習と解釈可能なアライメントアライメントの2つのトレーニング目標を用いて、密集したレトリバーを微調整する。 臨床実験報告の大規模なコーパスにおいて、主観性に基づくハードネガティブ選択は、コントリバーベースラインとハードネガティブ選択ベースラインの両方と比較して、検索効率を著しく改善することを示した。 さらに、合理性アライメントは、競争力のある検索性能を維持しながら忠実性を高め、人間の合理性によって導かれるときのモデル行動のより忠実な説明として注意が役立つという仮説を支持する。 CERAは、局所的な類似性を超えて、レトリバーが支持証拠を構成する特定のトークンを識別し、RAGシステムにおけるより解釈可能なエビデンス選択を促進する。

関連論文リスト

• Rethinking Reasoning-Intensive Retrieval: Evaluating and Advancing Retrievers in Agentic Search Systems [55.04168927059962]
  推論集約的な検索は、単にトピックの類似性に一致するのではなく、下流の推論を支持する証拠を明らかにすることを目的としている。 BRIGHT-Proは、専門家による注釈付きベンチマークで、各クエリを複数アスペクトのゴールドエビデンスで拡張する。 また,相補的な正と正条件の強陰性を生成するアスペクト分解型合成コーパスであるRTriever-Synthを構築した。
  論文  参考訳（メタデータ） (2026-05-05T17:42:50Z)
• Thinking Before Matching: A Reinforcement Reasoning Paradigm Towards General Person Re-Identification [77.51622646061314]
  ReID-Rは、明確なアイデンティティ理解と推論を実現する新しい推論駆動パラダイムとして提案されている。 複数のReIDベンチマークの実験では、ReID-Rは優れた手法として、競争力のある識別性を達成している。
  論文  参考訳（メタデータ） (2026-04-21T08:24:07Z)
• Causal Bootstrapped Alignment for Unsupervised Video-Based Visible-Infrared Person Re-Identification [52.784239635604735]
  VVI-ReIDは、静止画像以外にも時間情報が付加的な手がかりを提供する、全日監視のための重要な技術である。 既存のアプローチは、高価なクロスモダリティアノテーションによる完全な教師付き学習に大きく依存しており、スケーラビリティが制限されています。 そこで,本研究では,ビデオの先行を明示的に活用するCausal Bootstrapped Alignmentフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-17T02:15:59Z)
• 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)
• In-context Contrastive Learning for Event Causality Identification [26.132189768472067]
  事象因果同定は、2つの事象間の因果関係の存在を決定することを目的としている。 最近の素早い学習ベースのアプローチは、ECIタスクに有望な改善を示している。 本稿では,コントラスト学習を利用したインコンテキストコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-17T03:32:15Z)
• Generalization Bounds for Robust Contrastive Learning: From Theory to Practice [20.805320268190936]
  教師なし学習のどの要素が、教師なし学習の堅牢な損失を改善するのに役立つかを特定する理論を開発する。 対向的な対照的な損失に加えて、良性のあるものは、良性と対向的な例のグローバルなばらつきと共に、堅牢性も向上する。
  論文  参考訳（メタデータ） (2023-11-16T08:39:58Z)
• Fairness and robustness in anti-causal prediction [73.693135253335]
  分散シフトと公平性に対するロバストさは、機械学習モデルに必要な2つの重要なデシラタとして独立に現れている。 これら2つのデシダラタは関連しているように見えるが、実際にはその関連性はしばしば不明である。 この観点から見れば、共通フェアネス基準(分離)とロバストネスの共通概念との明確な関係を描いています。
  論文  参考訳（メタデータ） (2022-09-20T02:41:17Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)

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。