Fugu-MT 論文翻訳(概要): Submitted and Diagnostic Analysis of Full-Text Temporal Retrieval for LongEval-Sci

論文の概要: Submitted and Diagnostic Analysis of Full-Text Temporal Retrieval for LongEval-Sci

arxiv url: http://arxiv.org/abs/2607.04088v1
Date: Sun, 05 Jul 2026 02:52:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.826433
Title: Submitted and Diagnostic Analysis of Full-Text Temporal Retrieval for LongEval-Sci
Title（参考訳）: 長期Sciの完全テキスト検索の送信と診断
Abstract要約: LongEval-Sciは、コレクション変更による科学的検索を評価する。本稿では,LongEval-Sci 2026におけるタスク1の公式結果と開発診断について報告する。
参考スコア（独自算出の注目度）: 1.0312968200748118
License: http://creativecommons.org/licenses/by/4.0/
Abstract: LongEval-Sci evaluates scientific retrieval under collection change, where a system should be effective on the current corpus and remain usable as documents accumulate over time. This paper reports both official Task 1 results and development diagnostics for LongEval-Sci 2026. We compare the official PyTerrier BM25 and Qwen3 dense baselines with full-text BM25, additive and router variants, temporal full-text retrieval, temporal+citation retrieval, RM3 query expansion, cross-encoder reranking, and reciprocal rank fusion (RRF). In the official DCTR evaluation, the temporalized full-text runs are our strongest submissions: FT BM25+temporal and FT BM25+temporal+citation obtain the best ARP on all three snapshots (0.285, 0.267, and 0.180 nDCG@10) and reduce snapshot-3 relative change from 0.481 for the BM25 pivot to 0.368. Citation features match the temporal-only variant but do not provide a measurable additional gain in the official summary. Our internal snapshot-1 diagnostics show a complementary pattern: full-text BM25 is the strongest single development retriever (DCTR nDCG@10 = 0.3302, MAP = 0.2853), RRF gives the best deep recall (Recall@1000 = 0.9667), and some uncalibrated overlays can sharply degrade top-rank quality. We therefore conclude that full-text retrieval is the strongest foundation, temporal integration can improve official longitudinal effectiveness when applied to that foundation, and citation evidence still requires cleaner ablation and calibration. Beyond ranking, we also report a qualitative weekly IR-system update-monitoring analysis based on ingestion velocity and stale-coverage drift.
Abstract（参考訳）: LongEval-Sciは、コレクションの変更による科学的検索を評価し、そこではシステムは現在のコーパスに有効であり、文書が時間の経過とともに蓄積されるにつれて使用することができる。本稿では,LongEval-Sci 2026におけるタスク1の公式結果と開発診断について報告する。公式のPyTerrier BM25とQwen3高密度ベースラインをフルテキストBM25、付加型およびルータ変種、時間的全文検索、時間的+引用検索、RM3クエリ拡張、クロスエンコーダ再配置、相互ランク融合(RRF)と比較する。 FT BM25+temporal and FT BM25+temporal+citation obtained the best ARP on all three snapshots (0.285, 0.267, 0.180 nDCG@10) and reduce snapshot-3 relative change from 0.481 for the BM25 pivot to 0.368。引用機能は時間限定の変種と一致するが、公式の要約では測定可能な追加利得は提供されない。フルテキストBM25は、DCTR nDCG@10 = 0.3302, MAP = 0.2853, RRFは最高のディープリコール(Recall@1000 = 0.9667)を与え、いくつかの未調整オーバーレイは、トップランクの品質を著しく低下させる。そこで我々は,全文検索が最強の基礎であり,その基礎に適用した場合の時間統合により公式な縦断的効果が向上し,引用証拠はいまだによりクリーンなアブレーションと校正が必要であると結論づける。ランキングの他に、摂取速度とスタイルカバードリフトに基づく定性的な週次IRシステム更新監視分析も報告している。

関連論文リスト

Mr.LHDR: A Benchmark for Multimodal Real-World Long-Horizon Deep Research Agents [72.19038675107662]
ミスターL(Mr. L)は、検証可能な証拠の長い、既約の連鎖について、現実世界の深い研究を評価するためのベンチマークである。各質問は隠されたノード関係グラフから構築され、平均12.1の中間結論を必要とする。
論文参考訳（メタデータ） (2026-09-10T09:47:44Z)
PURA: Provably Unbiased and Robust Multi-Bit Watermarking for AI-Generated Text Attribution [83.66032773976904]
PURAは、テキスト属性に対する不偏で頑健なマルチビット透かし方式である。 PURAはトークンの確率を直接摂動するのではなく、鍵付き逆変換サンプリングによって潜在サンプリング空間にペイロードを埋め込む。 PURAは、高負荷体制において、既存の非バイアスベースラインを大幅に上回ることを示す。
論文参考訳（メタデータ） (2026-08-23T04:44:27Z)
Test-Time Training for Zero-Resource Dense Retrieval Reranking [3.498051445282382]
既存のアプローチは基本的なジレンマに直面している。クロスエンコーダは、強いリランク品質を提供するが、高価な教師付きトレーニングと高いレイテンシを必要とする。本稿では,DART(Dense Adaptive Re rank at Test-time)を提案する。 6つのBEIRベンチマークで、DARTはデータベース毎の相対的なNDCG@10ゲイン(+2.1%)を高密度検索ベースラインで達成し、クエリ毎のレイテンシは10ミリ秒以下である。
論文参考訳（メタデータ） (2026-05-31T07:26:40Z)
A Heterogeneous Temporal Memory Governance Framework for Long-Term LLM Persona Consistency [2.447989276487424]
大規模な言語モデルは、多くの場合、事実喪失、タイムラインの混乱、ペルソナの漂流、長距離相互作用時の安定性の低下に悩まされる。本稿では,長期対話のための外部時間記憶ガバナンスフレームワークARPMを紹介する。我々は、ARPMが連続性をトレース可能、監査可能、転送可能なガバナンス問題として扱うことを示す。
論文参考訳（メタデータ） (2026-05-14T13:12:49Z)
From BM25 to Corrective RAG: Benchmarking Retrieval Strategies for Text-and-Table Documents [0.0]
スパース, 密度, ハイブリッド融合, クロスエンコーダリグレード, クエリ拡張, インデックス拡張, 適応検索にまたがる10の検索戦略をベンチマークした。我々はRecall@k,MRR,nDCGによる検索品質とNumber Matchによるエンドツーエンド生成品質を評価する。
論文参考訳（メタデータ） (2026-04-02T07:53:40Z)
Benchmarking Real-Time Question Answering via Executable Code Workflows [15.866566641224715]
RT-QAは動的評価フレームワークで、実行可能コードを利用して評価時に最新の回答を取得する。我々は,WebクローリングやDOMベースの回答抽出のためのコードの自動生成を行うエージェント駆動パイプラインを構築した。 RT-QAは12のドメインにまたがって320の中国語の質問を3つの困難レベルに分類している。
論文参考訳（メタデータ） (2026-03-16T16:20:29Z)
Test-Time Strategies for More Efficient and Accurate Agentic RAG [58.44913384057518]
Retrieval-Augmented Generation (RAG) システムは複雑なマルチホップ問題に直面している。このような手法は、以前に処理された情報の反復的な検索を含む非効率性を導入することができる。本稿では,これらの問題を軽減するために,サーチ-R1パイプラインに対するテスト時間修正について検討する。
論文参考訳（メタデータ） (2026-03-12T19:18:59Z)
Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
論文参考訳（メタデータ） (2026-03-09T18:20:20Z)
FFP-300K: Scaling First-Frame Propagation for Generalizable Video Editing [97.35186681023025]
FFP-300Kは、720p解像度と81フレームの高忠実度ビデオペアの大規模データセットである。本稿では,第1フレームの外観維持とソース映像の動作保存の緊張を解消する,真の誘導不要なFFPのための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2026-01-05T01:46:22Z)
ModernBERT + ColBERT: Enhancing biomedical RAG through an advanced re-ranking retriever [0.5371337604556311]
我々は、ColBERTv2遅延相互作用モデルを用いて、高速な初期候補検索のための軽量なModernBERT双方向エンコーダを開発した。検索モジュールの解析により,ColBERT再ランカの正の影響が確認され,Recall@3が最大4.2ポイント向上した。我々のアブレーション研究では、この性能が、レトリバーと再ランカを整列する関節細調整プロセスに極めて依存していることが判明した。
論文参考訳（メタデータ） (2025-10-06T12:34:55Z)
Shall We Pretrain Autoregressive Language Models with Retrieval? A Comprehensive Study [115.96080028033904]
本稿では,拡張性のある事前学習型検索拡張LM(RETRO)について,標準GPTと検索拡張GPTと比較した。本研究は, 将来の基盤モデルとしての検索による自己回帰型LMの事前学習の方向性を明らかにするものである。
論文参考訳（メタデータ） (2023-04-13T18:04:19Z)
Retrieval-based Disentangled Representation Learning with Natural Language Supervision [61.75109410513864]
本稿では,VDR(Vocabulary Disentangled Retrieval)を提案する。提案手法では,両エンコーダモデルを用いて語彙空間におけるデータと自然言語の両方を表現する。
論文参考訳（メタデータ） (2022-12-15T10:20:42Z)

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。