Fugu-MT 論文翻訳(概要): Re-Ranking Through an Attribution Lens for Citation Quality in Legal QA

論文の概要: Re-Ranking Through an Attribution Lens for Citation Quality in Legal QA

arxiv url: http://arxiv.org/abs/2606.03728v1
Date: Tue, 02 Jun 2026 14:48:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-03 22:00:05.082322
Title: Re-Ranking Through an Attribution Lens for Citation Quality in Legal QA
Title（参考訳）: 合法QAにおける帰属レンズによる帰属性QAの回復
Authors: Mohamed Hesham Elganayni, Selim Saleh,
Abstract要約: クロスエンコーダは、連続的な摂動に基づく帰属スコアに基づいて、生成前に経路を再ランクするよう訓練した。異なるモデルで独立に訓練された2つのリランカーは、生の帰属契約を超えて収束する。その結果、摂動に基づく帰属は、引用認識検索のための実用的、モデルに依存しない訓練信号を提供することを示した。
参考スコア（独自算出の注目度）: 2.255961793913651
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Retrieval-augmented generation systems for legal question answering typically retrieve passages based on semantic similarity and provide them to a language model, which then generates cited answers. Prior work assumes that highly ranked passages are most likely to be usefully cited by the model. Perturbation-based attribution methods, such as C-LIME, have been used exclusively for post-hoc explanation. However, on the AQuAECHR benchmark, semantic similarity does not correlate with passage attribution. Within a retriever's candidate pool, similarity-based ranking performs worse than random selection at surfacing gold citation paragraphs. To address this limitation, a lightweight cross-encoder is trained on continuous perturbation-based attribution scores to re-rank passages prior to generation. This approach is evaluated on the AQuAECHR benchmark, using two language models and five-fold cross-validation. The re-ranker substantially improves citation faithfulness and alignment with gold expert answers. Notably, two re-rankers trained independently on different models converge beyond their raw attribution agreement. This finding indicates that the cross-encoder reduces model-specific noise and produces a shared relevance signal that partially transfers across models, although same-model re-ranking remains more effective. These results demonstrate that perturbation-based attribution provides a practical, model-agnostic training signal for citation-aware retrieval.
Abstract（参考訳）: 法的質問応答のための検索拡張生成システムは、通常、意味的類似性に基づいて節を検索し、言語モデルに提供し、引用された回答を生成する。先行研究は、高いランクの通路がモデルによって有用に引用される可能性が高いと仮定している。 C-LIMEのような摂動に基づく帰属法は、ポストホックな説明にのみ使われている。しかし、AQuAECHRベンチマークでは、意味的類似性は通過属性と相関しない。検索者の候補プール内では、類似度に基づくランキングは、上向きのゴールド引用段落でランダム選択よりも悪い。この制限に対処するため、軽量なクロスエンコーダは、連続的な摂動に基づく帰属スコアに基づいて、生成前に再ランクのパスをトレーニングする。このアプローチは2つの言語モデルと5倍のクロスバリデーションを用いて、AQuAECHRベンチマークで評価される。リランカは、ゴールド専門家の回答に対する引用忠実度とアライメントを大幅に向上させる。特に、異なるモデルで独立に訓練された2つのリランカーは、彼らの生の帰属契約を超えて収束する。この結果は、クロスエンコーダがモデル固有のノイズを低減し、モデル間で部分的に転送する共有関連信号を生成することを示している。これらの結果は、摂動に基づく帰属が、引用認識検索のための実用的、モデルに依存しない訓練信号を提供することを示した。

関連論文リスト

ReHear: Iterative Pseudo-Label Refinement for Semi-Supervised Speech Recognition via Audio Large Language Models [12.527207210862151]
ReHearは、自動音声認識における反復的な擬似ラベル改善のためのフレームワークである。命令調整されたオーディオ対応の大規模言語モデルを自己学習ループに統合する。 ReHearはエラーの伝播を効果的に軽減し、教師付きベースラインと疑似ラベルベースラインの両方を一貫して上回ることを示す。
論文参考訳（メタデータ） (2026-02-21T05:04:22Z)
Context-Adaptive Requirements Defect Prediction through Human-LLM Collaboration [1.4499356176178066]
本稿では,欠陥予測を静的な分類タスクではなく適応プロセスとして扱うHuman-LLM Collaboration(HLC)アプローチを提案する。メルセデス・ベンツの要求条件である1,266のQuREベンチマークの弱い単語の匂いを用いて,本手法の評価を行った。
論文参考訳（メタデータ） (2026-01-05T10:00:14Z)
FineRef: Fine-Grained Error Reflection and Correction for Long-Form Generation with Citations [30.28908306106096]
FineRefはモデルに、2つの重要な引用エラー、ミスマッチと無関係を自己識別し、修正するように教える。 FineRefは、引用性能と回答精度の両方を大幅に改善する。我々の7Bモデルは、Citation F1では最大18%、EMリコールでは4%、GPT-4より優れています。
論文参考訳（メタデータ） (2025-11-18T09:35:12Z)
Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
論文参考訳（メタデータ） (2025-09-29T12:15:52Z)
ListConRanker: A Contrastive Text Reranker with Listwise Encoding [27.017035527335402]
本稿では,Listwise-encoded Contrastive text reRanker (ListConRanker)を提案する。これは、エンコーディングプロセス中に他のパスと比較するのに役立ちます。これは、中国語のMassive Text Embedding Benchmarkの再評価ベンチマークで、最先端のパフォーマンスを実現している。
論文参考訳（メタデータ） (2025-01-13T07:51:46Z)
Adapting Dual-encoder Vision-language Models for Paraphrased Retrieval [55.90407811819347]
モデルが類似した結果を返すことを目的とした,パラフレーズ付きテキスト画像検索の課題について考察する。我々は、大きなテキストコーパスで事前訓練された言語モデルから始まる二重エンコーダモデルを訓練する。 CLIPやOpenCLIPのような公開デュアルエンコーダモデルと比較して、最高の適応戦略で訓練されたモデルは、パラフレーズクエリのランク付けの類似性を大幅に向上させる。
論文参考訳（メタデータ） (2024-05-06T06:30:17Z)
Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
論文参考訳（メタデータ） (2024-03-01T03:27:08Z)
Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文参考訳（メタデータ） (2023-12-27T09:03:43Z)
Aggregating Pairwise Semantic Differences for Few-Shot Claim Veracity Classification [21.842139093124512]
本稿では,新しいベクトルベース手法であるSEEDを導入する。クラス内のクレーム-エビデンス対の平均意味的差異を捉えるクラス代表ベクトルをシミュレートできるという仮説に基づいて構築する。 FEVERとSCIFACTデータセットで実施された実験では、数ショット設定で競合するベースラインよりも一貫した改善が見られた。
論文参考訳（メタデータ） (2022-05-11T17:23:37Z)
Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文参考訳（メタデータ） (2020-12-07T14:16:14Z)
Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
論文参考訳（メタデータ） (2020-03-14T22:29:50Z)

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。