論文の概要: Train, Retrieve, or Both? A Four-Arm Head-to-Head for Correct Statutory Citation on the Ontario Residential Tenancies Act

• arxiv url: http://arxiv.org/abs/2606.20359v1
• Date: Thu, 18 Jun 2026 15:21:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.944055
• Title: Train, Retrieve, or Both? A Four-Arm Head-to-Head for Correct Statutory Citation on the Ontario Residential Tenancies Act
• Title（参考訳）: 電車、リトリーブ、または両方?オンタリオ州住宅天安法に関する法定法改正のための4大ヘッド・ツー・ヘッド
• Abstract要約: 自己表現型のテナント、地主、ヘルプデスクのスタッフは、正しい法的な引用とともに、実際に問題を支配する法律の規定を指摘する必要がある。 我々は、このタスクを2006年オンタリオ住宅緊張法(RTA)とその中核的な規制について研究し、オペレーターの質問を経験的に尋ねる: 十分に微調整されているか、ハイブリッド検索が必要か? Qwen2.5-7B-Instruct(ベースゼロショット、LORA SFT-only、RAG-only、SFT+RAGハイブリッド)の4腕ヘッド・ツー・ヘッドを小型で動作させる。
• 参考スコア（独自算出の注目度）: 0.08599681538174887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-represented tenants, landlords, and help-desk staff need to be pointed at the provision of law that actually governs a question, with a correct statutory citation. We study this task on the Ontario Residential Tenancies Act, 2006 (RTA) and its core regulation, asking the operator's question empirically: is fine-tuning enough, or is hybrid retrieval needed? We run a four-arm head-to-head on Qwen2.5-7B-Instruct (base zero-shot, LoRA SFT-only, RAG-only, and an SFT+RAG hybrid), scored on citation exact-match (section+subsection) over a small, human-verification-pending real eval set. The base model cannot cite the RTA and SFT-only mis-recalls sections; retrieval is essential and drives hallucination to zero by construction; and the SFT+RAG hybrid scores highest at 0.481 exact-match with zero hallucinated citations. Its edge comes from SFT making provision selection more robust to the higher-recall candidate sets that hurt zero-shot RAG. Notably, this cheap bge-small hybrid matches or beats a pipeline built on bigger, specialized retrieval models (a larger embedder and a cross-encoder reranker), and a larger/improved training set does not help either: strong statutory-citation performance here does not require specialized retrieval models or more data. The artifact zeroes hallucination and clears the lift-over-base bar but does not reach the aspirational 0.70 exact-match target. All results are on a small, human-verification-pending real eval set and are reported as preliminary.
• Abstract（参考訳）: 自己表現型のテナント、地主、ヘルプデスクのスタッフは、正しい法的な引用とともに、実際に問題を支配する法律の規定を指摘する必要がある。 我々は、このタスクを2006年オンタリオ住宅緊張法(RTA)とその中核的な規制について研究し、オペレーターの質問を経験的に尋ねる: 十分に微調整されているか、ハイブリッド検索が必要か? Qwen2.5-7B-Instruct (base zero-shot, LoRA SFT-only, RAG-only, SFT+RAG hybrid) 上で4腕のヘッド・ツー・ヘッドを実行する。 ベースモデルはRTAとSFTのみのミスリコールセクションを引用することができず、検索は必須であり、構成によって幻覚をゼロにする。 そのエッジは、ゼロショットRAGを傷つける高いリコール候補セットに対して、プロビジョニングの選択をより堅牢にするSFTから来ている。 特に、この安価なbge-smallハイブリッドは、より大きな特殊な検索モデル(埋め込み機とクロスエンコーダのリランカー)上に構築されたパイプラインにマッチまたは打ち勝つ。 アーティファクトは幻覚をゼロとし、リフトオーバーベースバーをクリアするが、0.70正確なマッチ目標に到達しない。 すべての結果は、人間による検証を行う小さな実際のevalセットに基づいており、予備的なものとして報告されている。

関連論文リスト

• Is Next-Chunk Reasoning RL Really Better than SFT? Revisiting Training Strategies under no-CoT Data [48.92748013043833]
  また,Mixed SFTは,RLよりも明らかに高い性能を示すことを示す。 また,RLVR前精度は必ずしも高次RLVR後精度に変換されないことを示した。
  論文  参考訳（メタデータ） (2026-08-24T13:47:45Z)
• MADA-RL: Multi-Agent Debate-Aware Reinforcement Learning for Parameter-Efficient Reasoning in Compact Models [31.136687654577475]
  本稿では,コンパクトなモデルをジェネレータや批評家に特化させるポストトレーニングフレームワークであるMADA-RLを紹介する。 我々の中心的な貢献は、批評家の利点を再定義する反事実的批評家のアドバンテージであり、その報酬は発電機のアンサンブル当たりの精度を抑えるものである。
  論文  参考訳（メタデータ） (2026-07-20T14:38:00Z)
• Stop Thinking, Start Looking: Efficient Post-Training for Multimodal Document Question Answering via Reasoning-Free Alignment [2.8730465903425877]
  マルチモーダル文書QAにグループ相対ポリシー最適化を適用するトレーニングフレームワークであるPerception-RFTを紹介する。 推論可能なモデルは,4Bパラメータ尺度で直接知覚に基づくポリシーに収束して,学習中の推論トレースを抑制する。 初期のSFT$rightarrow$RLトランジションは65%のトレーニングデータで同等の精度を実現する。
  論文  参考訳（メタデータ） (2026-07-16T07:43:39Z)
• The Reward Was in Your Data All Along: Correcting Flow Matching with Discriminator-Guided RL [19.556118547263928]
  識別器誘導RL(DRL)は、事前訓練された表現空間内のベースモデルサンプルからデータを分離するために識別器を訓練する。 ガイダンスのないFID(例:SiTで9.38ドルから2.62ドル)と意味空間FD(例:SiTでDINOv3で8.2ドルから19.3ドル)を減らす。 また、後続の嗜好ベースのポストトレーニングでは、好みの報酬とイメージの忠実度の間のフロンティアも向上する。
  論文  参考訳（メタデータ） (2026-06-17T15:01:33Z)
• Domain-Adaptive Dense Retrieval for Brazilian Legal Search [4.656946831394176]
  ブラジルの法的検索は異質であり、事件法、法律、質問に基づく検索をカバーしている。 本稿では,このトレードオフをQwen3-Embedding-4Bに基づく3つのトレーニング設定を用いて検討する。 JUのリーダーボードから得られた5つの法的データセットとQuitiデータセットでこれらのモデルを評価する。
  論文  参考訳（メタデータ） (2026-05-05T17:25:11Z)
• BridgeRAG: Training-Free Bridge-Conditioned Retrieval for Multi-Hop Question Answering [0.0]
  本稿では,BridgeRAGを提案する。 BridgeRAGは、スコアリングからカバーを分離する: 二重エンタテイティーANNは、第2のホップ候補プールを広げる。 ブリッジコンディショニングが生産的再ランク付けを引き起こすことを示す(並列チェーンでは18.7%、単一チェーンでは0.6%)。
  論文  参考訳（メタデータ） (2026-04-03T18:27:51Z)
• PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering [57.89576196160413]
  大規模言語モデル (LLM) はマルチホップ質問応答 (MHQA) において脆弱のままである。 textbfPlanned Active Retrieval and Reasoning RAG (PAR$2-RAG)を提案する。
  論文  参考訳（メタデータ） (2026-03-30T23:52:54Z)
• Can Small Models Reason About Legal Documents? A Comparative Study [0.0]
  大規模言語モデルは法的なアプリケーションには有望であるが、フロンティアモデルのデプロイは、コスト、レイテンシ、データプライバシに関する懸念を提起する。 3つの法的なベンチマークで9つのモデルをテストすることにより,サブ10Bパラメータモデルが実用的な代替手段として機能するかどうかを評価する。
  論文  参考訳（メタデータ） (2026-03-26T22:28:20Z)
• Thinking-Based Non-Thinking: Solving the Reward Hacking Problem in Training Hybrid Reasoning Models via Reinforcement Learning [57.57084309580296]
  Thinking-Based Non-Thinkingは、さまざまなクエリに対する思考を使用しない応答に対して、異なる最大トークン使用量を設定する。 5つの数学ベンチマークの実験により、TNTはトークンの使用量を約50%削減することを示した。 TNTの応答における報酬ハッキングの確率は、思考を使用しないものとして分類されているが、依然として10%以下である。
  論文  参考訳（メタデータ） (2026-01-08T10:38:41Z)
• Efficient Online RFT with Plug-and-Play LLM Judges: Unlocking State-of-the-Art Performance [0.0]
  リワードモデルトレーニングは、現代の強化学習ヒューマンフィードバック(RLHF)パイプラインのコストボトルネックである。 提案手法では, 冷凍型7B LLMを1行とランク16のLORAアダプタで拡張する。 プラグ・アンド・プレイの審査員96.2%はRewardBenchの精度を達成し、27Bから70Bパラメータの特殊報酬ネットワークを上回っている。
  論文  参考訳（メタデータ） (2025-06-06T05:18:54Z)
• SEAL: Steerable Reasoning Calibration of Large Language Models for Free [58.931194824519935]
  大規模言語モデル(LLM)は、拡張チェーン・オブ・ソート(CoT)推論機構を通じて複雑な推論タスクに魅力的な機能を示した。 最近の研究では、CoT推論トレースにかなりの冗長性が示されており、これはモデル性能に悪影響を及ぼす。 我々は,CoTプロセスをシームレスに校正し,高い効率性を示しながら精度を向上する,トレーニング不要なアプローチであるSEALを紹介した。
  論文  参考訳（メタデータ） (2025-04-07T02:42:07Z)
• All Roads Lead to Likelihood: The Value of Reinforcement Learning in Fine-Tuning [49.43901716932925]
  基礎モデルファインチューニング(FT)における最強の結果は,比較的複雑な2段階の訓練手順によって達成されることを示す。 具体的には、オンラインフィードバックを提供するために使用する前に、まず、あるデータセット(例えば、人間の好み)に報酬モデル(RM)をトレーニングする。 生成検証ギャップの問題に対して、比較的単純なRMを選好データから学習することは比較的容易である、という説明を最も支持している。
  論文  参考訳（メタデータ） (2025-03-03T00:15:19Z)
• AffineGlue: Joint Matching and Robust Estimation [74.04609046690913]
  AffineGlue, 連立2視点特徴マッチングとロバストな推定法を提案する。 AffineGlueは、最小限のモデルを推定するために、1対多の対応から潜在的なマッチを選択する。 ガイドマッチングはモデルと一致した一致を見つけるために使用され、1対1の一致の曖昧さに悩まされる。
  論文  参考訳（メタデータ） (2023-07-28T08:05:36Z)

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。