論文の概要: Position: Generative Engine Optimization Creates Underexamined Risks, Governance Must Target Concentration, Disclosure, and Academic Blind Spots
- arxiv url: http://arxiv.org/abs/2606.12439v1
- Date: Mon, 18 May 2026 02:02:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.905414
- Title: Position: Generative Engine Optimization Creates Underexamined Risks, Governance Must Target Concentration, Disclosure, and Academic Blind Spots
- Title（参考訳）: ポジション:ジェネレーティブエンジン最適化は、過小評価されたリスク、ガバナンスが目標とする集中度、開示、アカデミックブラインドスポットを生成する
- Authors: Yizhu Wen, Nan Zhang, Haohan Yuan, Xun Chen, Haopeng Zhang, Hanqing Guo,
- Abstract要約: 大規模言語モデル (LLM) 回答エンジンは情報検索にますます利用されている。
検索エンジン最適化(SEO)とGEO遷移を分析し,2つのリスクを同定する。
次に、一般的なGEOパイプラインを形式化し、最適化の動作場所を特定し、学術的および産業的なプラクティスを比較します。
- 参考スコア（独自算出の注目度）: 16.91784231800219
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model (LLM) answer engines are increasingly used for information seeking, shifting visibility from ranked lists to synthesized answers. This enables Generative Engine Optimization (GEO), which targets LLM answer engines' evidence pool and generation. We analyze the search engine optimization (SEO) to GEO transition to identify two risks: (i) concentrated influence from low contestability and system sensitivity, and (ii) undisclosed commercial influence embedded in evidence and reasoning. We then formalize a general GEO pipeline to locate where optimization acts and compare academic and industry practices, revealing a third risk: (iii) academic-industry blind spots driven by visibility and evaluation asymmetries between offline setups and deployed systems. This position argues the need for answer-level governance and measurement: stronger contestability, high-precision disclosure, black-box auditing of material influence, and deployment-aligned metrics for exposure persistence.
- Abstract（参考訳）: 大規模言語モデル (LLM) の回答エンジンは情報探索にますます使われており、ランキングから合成された回答へと可視性を変化させている。
これにより、LLM回答エンジンのエビデンスプールと生成をターゲットとしたジェネレーティブエンジン最適化(GEO)が可能になる。
検索エンジン最適化(SEO)からGEO遷移を解析して2つのリスクを識別する。
一 競争力の低さ及びシステム感度による集中的な影響
(二)証拠及び推論に埋め込まれた商業的影響の未開示
次に、一般的なGEOパイプラインを形式化し、最適化の動作場所を特定し、学術的および産業的なプラクティスを比較し、第3のリスクを明らかにします。
三 オフライン設備と配備システムとの間の可視性と評価の対称性による学際的盲点
この立場は、より強力な競争性、高精度な開示、物質的影響のブラックボックス監査、露出の持続性のためのデプロイメント整合性メトリクスといった、回答レベルのガバナンスと測定の必要性を論じている。
関連論文リスト
- From Experience to Skill: Multi-Agent Generative Engine Optimization via Reusable Strategy Learning [18.351281487408176]
生成エンジン(GE)は、ランク付けされたリンクを引用グラウンドの回答に置き換えることで、情報アクセスを再構築している。
本稿では,マルチエージェントフレームワークであるMAGEOを提案する。
3つのメインストリームエンジンの実験では、MAGEOは可視性と励振の両面においてベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-04-21T14:39:24Z) - Algorithmic Trust and Compliance: Benchmarking Brand Notability for UK iGaming Entities in Generative Search Engines [0.0]
私たちは、伝統的なランク付けされたリストから、合成された引用支援の回答へとシフトしているのを目撃しています。
英国のiGamingセクターのような高度に規制された環境では、視認性はキーワード密度によって規定されるのではなく、エンティティが"Algorithmic Trust"を投影する能力によって規定される。
最近の大規模な実験では、AI検索がブランドが所有するコンテンツに対して、アーンドメディア(第三者、権威のあるソース)に対して体系的で圧倒的な偏見を示しています。
論文 参考訳（メタデータ） (2026-03-05T09:17:12Z) - Agentic AI Reasoning for Mobile Edge General Intelligence: Fundamentals, Approaches, and Directions [74.35421055079655]
大規模言語モデル(LLM)は、強力な推論と自律的な意思決定能力を備えたエージェント人工知能(AI)の出現を可能にした。
Mobile Edge General Intelligence (MEGI)は、リアルタイムでプライバシ保護の推論をネットワークエッジにもたらす。
本稿では,MEGIにおけるLLM推論の効率的な展開のための共同最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-27T10:53:48Z) - Role-Augmented Intent-Driven Generative Search Engine Optimization [9.876307656819039]
本稿では,G-SEO(Role-Augmented Intent-Driven Generative Search Engine Optimization)法を提案する。
提案手法は,多種多様な情報的役割にまたがるリフレクティブ・リフレクティブ・リファインメントによる検索意図をモデル化し,ターゲットコンテンツの強化を可能にする。
実験結果から,検索意図がコンテンツ最適化に有効な信号であることが示された。
論文 参考訳（メタデータ） (2025-08-15T02:08:55Z) - Self-Routing RAG: Binding Selective Retrieval with Knowledge Verbalization [95.85537087475882]
既存のアプローチは、大規模言語モデル(LLM)の固有の知識を過小評価している。
本稿では,選択検索と知識の言語化を結びつける新しいフレームワークであるSelf-Routing RAGを提案する。
SR-RAGは検索回数を29%削減し、性能は5.1%向上した。
論文 参考訳（メタデータ） (2025-04-01T17:59:30Z) - The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。
本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。
我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
論文 参考訳（メタデータ） (2025-01-20T06:35:01Z) - SenseRAG: Constructing Environmental Knowledge Bases with Proactive Querying for LLM-Based Autonomous Driving [10.041702058108482]
本研究では,大規模言語モデル(LLM)の文脈推論機能を活用することにより,自律運転(AD)における状況認識の高度化の必要性に対処する。
厳密なラベルベースのアノテーションに依存する従来の認識システムとは異なり、リアルタイムのマルチモーダルセンサーデータを統一されたLLM対応の知識ベースに統合する。
実世界のV2Xデータセットを用いた実験結果は、知覚と予測性能の大幅な改善を示す。
論文 参考訳（メタデータ） (2025-01-07T05:15:46Z) - Trustworthiness in Retrieval-Augmented Generation Systems: A Survey [59.26328612791924]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の開発において、急速に重要なパラダイムへと成長してきた。
本稿では,RAGシステムの信頼性を,事実性,堅牢性,公正性,透明性,説明責任,プライバシの6つの面で評価する統一的な枠組みを提案する。
論文 参考訳（メタデータ） (2024-09-16T09:06:44Z) - Improving Open Information Extraction with Large Language Models: A
Study on Demonstration Uncertainty [52.72790059506241]
オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。
一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
論文 参考訳（メタデータ） (2023-09-07T01:35:24Z)
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。