論文の概要: Per-Entity Bias Mapping for AI Visibility: Why Brand Mentions Require Entity-Specific Calibration

• arxiv url: http://arxiv.org/abs/2606.21595v1
• Date: Fri, 19 Jun 2026 16:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 06:48:02.839315
• Title: Per-Entity Bias Mapping for AI Visibility: Why Brand Mentions Require Entity-Specific Calibration
• Title（参考訳）: AIビジュアライゼーションのためのエンティティごとのバイアスマッピング:なぜブランドがエンティティ固有のキャリブレーションを必要とするのか
• Authors: Zoltan Varga,
• Abstract要約: 本稿では、AIの可視性エラープロファイルが体系的に異なるため、集約メトリクスは不十分である、と論じる。 3つの障害モードが識別される: 表現不足のエンティティは知識グラフの存在が弱いために見えなくなる; 大エンティティはブランド幻覚のパラドックスに苦しむ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-mediated answer systems increasingly determine how brands and organizations are represented to users. Existing approaches reduce visibility to mention rate or citation frequency. This paper argues that aggregate metrics are insufficient because entities exhibit systematically different AI visibility error profiles. We introduce Per-Entity Bias Mapping (PEBM): a ten-dimensional framework distinguishing raw from verified mentions. Three failure modes are identified: (1) underrepresented entities suffer invisibility due to weak knowledge graph presence; (2) large entities suffer the Brand Hallucination Paradox -- model familiarity creates stronger surfaces for plausible but incorrect completions; (3) CEE entities face a structural infrastructure gap across knowledge graphs, NER, and entity linking. A fourth dimension, Parametric-Retrieval Lag Asymmetry, describes divergence between retrieval-augmented and parametric memory update cycles. A full-scale empirical study (n=100 Hungarian B2B entities, 1,400 probe runs, 2,062 sources) finds Tier 1 brands produce 52.69% fabricated citations versus 37.87% for Tier 3 entities (+14.82 pp; p=1.67e-11), supporting the Brand Hallucination Paradox. Regulatory-framed queries elevate fabrication to 56.77% versus 37.59% baseline (+19.2 pp). We identify rejection-induced confabulation escalation: agentic quality filters function as hallucination accelerators in compliance contexts. We introduce ghost cartography as a unifying mechanism: entities in sparse latent regions produce confident output interpolated from neighboring dense regions, yielding a two-dimensional confabulation space (fabricated presence vs. frozen representation).
• Abstract（参考訳）: AIによる回答システムは、ブランドや組織がユーザに対してどのように表現されるかをますます決定している。 既存のアプローチは、参照率や引用頻度の可視性を低下させる。 本稿では、AIの可視性エラープロファイルが体系的に異なるため、集約メトリクスは不十分である、と論じる。 Per-Entity Bias Mapping (PEBM): 検証済みの言及から生を区別する10次元のフレームワーク。 1) 知識グラフの存在が弱いために、表現不足のエンティティが見えないこと、(2) ブランド幻覚のパラドックスに苦しむこと、2) モデルの親しみやすさは、可視だが不正確な完了のためにより強力な表面を生成すること、(3) CEE エンティティは知識グラフ、NER、エンティティリンク間の構造的基盤ギャップに直面していること、の3つの障害モードが識別される。 4次元のParametric-Retrieval Lag Asymmetricは、検索強化されたメモリ更新サイクルとパラメトリックメモリ更新サイクルの分岐を記述する。 本格的な実証研究(n=100 ハンガリーのB2Bエンティティ、1,400 のプローブラン、2,062 の情報源)では、Tier 1 ブランドは52.69%、Tier 3 エンティティは37.87%(+14.82 pp; p=1.67e-11)を生産し、Brand Hallucination Paradox をサポートする。 規則型クエリでは、製造が56.77%、ベースラインが37.59%(+19.2 pp)になる。 エージェント品質フィルタは、コンプライアンスの文脈において幻覚加速器として機能する。 我々はゴーストカルトグラフィーを統一メカニズムとして紹介する: スパース潜在領域のエンティティは、近隣の高密度領域から補間された自信ある出力を生成し、2次元の折り畳み空間(ファブリケートされた存在対凍結表現)を生成する。

関連論文リスト

• MedHal-Loc: Are "Explainable-by-Architecture" Medical Hallucination Detectors Faithful Localizers? A Localization Benchmark [3.738942365298833]
  MedHal-Locは、局所化忠実度のためのベンチマークとメトリクスである。 NLI-per-clause, consistency-per-sentence, and the dedicated span detector FAVA are all localize of chance。
  論文  参考訳（メタデータ） (2026-06-19T15:11:37Z)
• The Structural Attention Tax: How Retrieval Format Hijacks In-Context Learning Independent of Content [11.226669792850645]
  我々は構造的注意税という現象を定式化した:知識グラフ(KG)三倍体である。 KGトリプルは意味論的に等価な自然言語テキストよりもトークン当たりの注目度が2～3倍になる。 注意点を意味的および構造的構成要素に分解する形式的なフレームワークを開発する。
  論文  参考訳（メタデータ） (2026-04-21T08:47:00Z)
• ARGOS: Who, Where, and When in Agentic Multi-Camera Person Search [49.61286310968402]
  我々は,対話型推論問題として,マルチカメラの人物探索を再構成する最初のベンチマークとフレームワークであるARGOSを紹介する。 ARGOSエージェントはあいまいな目撃声明を受け取り、何を尋ねるか、いつ空間的または時間的ツールを呼び出すか、不明瞭な応答をどう解釈するかを判断しなければならない。 このベンチマークは、意味的知覚(Who)、空間的推論(Where)、時間的推論(When)の3つのプログレッシブトラックにおいて、14の現実世界シナリオにまたがる2,691のタスクからなる。
  論文  参考訳（メタデータ） (2026-04-14T14:06:19Z)
• Inductive Reasoning for Temporal Knowledge Graphs with Emerging Entities [54.48612448535698]
  時間的知識グラフ(TKG)の推論は、将来の事象や時間的な事実を予測する上で不可欠である。 本稿では,意味論的に類似したエンティティから過去のインタラクションシーケンスを活用し,帰納的推論を支援する新しいフレームワークであるTransFIRを提案する。
  論文  参考訳（メタデータ） (2026-04-11T11:23:05Z)
• Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
  VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。 本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-16T17:20:38Z)
• FACTUM: Mechanistic Detection of Citation Hallucination in Long-Form RAG [29.07623863966094]
  Retrieval-Augmented Generation (RAG)モデルは、引用幻覚によって著しく損なわれている。 FACTUMは、アンダーライジングメカニズムを介してCitation Trustworthinessをテストするためのフレームワークである。 我々の分析によると、正しい引用は、常に高いパラメトリック力によって特徴付けられる。 この複雑な相互作用を捉えることで、FACTUMは最先端のベースラインを37.5%向上させる。
  論文  参考訳（メタデータ） (2026-01-09T15:41:08Z)
• Losing the Plot: How VLM responses degrade on imperfect charts [11.071294641688496]
  視覚言語モデル(VLM)は、チャート理解において強力な結果を示すが、既存のベンチマークでは、明確な数字と事実に基づくクエリを仮定している。 我々はChatGPT 4o, Claude Sonnet 4, Gemini 2.5 Proを評価し, 汚損や隠蔽下での急激な性能低下を見出した。 重要なイノベーションは、モデルが同じ声明を確認または否定するよう求められたときに矛盾する、逆の矛盾を早急に起こすことだ。
  論文  参考訳（メタデータ） (2025-09-22T21:12:20Z)
• Certainly Uncertain: A Benchmark and Metric for Multimodal Epistemic and Aleatoric Awareness [106.52630978891054]
  視覚言語AIシステムに特有の不確実性の分類法を提案する。 また、精度と校正誤差の両方によく相関する新しい計量信頼度重み付き精度を導入する。
  論文  参考訳（メタデータ） (2024-07-02T04:23:54Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。