論文の概要: From Stochastic to Stable: Rank Stability and Structural Sufficiency in AI Visibility Measurement

• arxiv url: http://arxiv.org/abs/2607.10341v1
• Date: Sat, 11 Jul 2026 14:50:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.398207
• Title: From Stochastic to Stable: Rank Stability and Structural Sufficiency in AI Visibility Measurement
• Title（参考訳）: 確率から安定へ:AI可視性測定におけるランク安定性と構造十分性
• Authors: Ronald Sielinski,
• Abstract要約: 本稿では2つの相補的基準に基づく逐次収束フレームワークを提案する。 ランク安定性は、ランク相関軌道が構造台地に達したかどうかを評価する。 構造的十分性は、確立されたドメイン間での引用共有の拡散が、これらの見積もりの不確実性を上回るかどうかを評価する。
• 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 visibility measurement is comparative: practitioners want to know which domains generative search engines cite most often and whether observed differences are large enough to support decisions. Yet the industry lacks a principled way to determine whether enough data has been collected. Collection budgets vary widely across studies and platforms, and conclusions are often drawn from rankings whose stability and precision are unknown. We introduce a sequential convergence framework based on two complementary criteria: rank stability evaluates whether the rank-correlation trajectory has reached a structural plateau, while structural sufficiency evaluates whether the spread of citation shares among established domains -- those whose confidence intervals exclude zero -- exceeds the uncertainty of those estimates. Together, these criteria distinguish rankings that have merely stabilized from those sufficiently resolved to support inference. Both are derived from regularities in the observed citation distribution, including its rank structure, uncertainty profile, and the boundary between observed and established domains. The framework retains a small number of structural constants but requires no externally specified query count, correlation target, or confidence-interval width target; stopping is driven by observed measurement uncertainty and remains robust across a range of sufficiency thresholds. Applied across 30 platform-topic combinations spanning Gemini, SearchGPT, and Perplexity, the framework adapts to platform- and topic-specific citation distributions. Results show that no fixed collection budget can be justified across contexts and that convergence can instead be evaluated from the structure of the observed distribution. The framework provides a practical basis for determining when AI visibility measurements are ready to support comparative analysis.
• Abstract（参考訳）: 実践者は、どのドメインがどの生成検索エンジンが最も頻繁に引用しているか、そして観察された違いが意思決定をサポートするのに十分な大きさであるかどうかを知りたい。 しかし、業界には十分なデータが収集されたかどうかを判断する原則的な方法がない。 収集予算は研究やプラットフォームによって大きく異なり、安定性と精度が不明なランキングから結論が導かれることが多い。 ランク相関軌道が構造的台地に達したかどうかを評価する一方、構造的十分性は、信頼区間がゼロであるような確立された領域間での引用共有の拡散がそれらの推定の不確実性を上回っているかどうかを評価する。 これらの基準は、推論をサポートするのに十分解決されたものから単に安定しているだけであるランクを区別する。 どちらも、そのランク構造、不確実性プロファイル、観察された領域と確立された領域の境界を含む、観測された引用分布の規則性に由来する。 このフレームワークは、少数の構造定数を保持するが、外部に指定されたクエリカウント、相関ターゲット、あるいは信頼区間幅のターゲットを必要としない。 Gemini、SearchGPT、Perplexityにまたがる30のプラットフォームとトピックの組み合わせに適用されるこのフレームワークは、プラットフォーム固有の引用分布とトピック固有の引用分布に適応する。 その結果、固定的な収集予算がコンテキスト全体にわたって正当化されることはなく、代わりに観測された分布の構造から収束を評価することができることがわかった。 このフレームワークは、AI可視性の測定が比較分析をサポートする準備ができているかどうかを決定するための実践的な基盤を提供する。

関連論文リスト

• Quantifying Consistency in LLM Logical Reasoning via Structural Uncertainty [5.839104770457067]
  大規模な言語モデルは、不安定で矛盾し、一貫してランク付けするのが困難である推論パスを通じて、同じ答えに達することができる。 自己参照によるランク付けの安定性から導かれる一貫性を考慮した構造的不確実性を提案する。
  論文  参考訳（メタデータ） (2026-06-15T21:39:47Z)
• Uncertainty-DTW for Sequences and Visual Tokens [43.798398689900075]
  本研究では,不確実性を考慮した対応をモデル化し,アライメントパスに沿って構造化されたマッチングを行う確率的フレームワークである不確実性認識アライメントを導入する。 我々は、このフレームワークを時間列からトークン化された視覚表現に一般化し、視覚トークンの集合に対する構造化マッチングを可能にする。 これらの知見は、構造化データから学習するための一般的な、堅牢で解釈可能なフレームワークとして、不確実性を考慮したアライメントを確立する。
  論文  参考訳（メタデータ） (2026-05-24T14:49:43Z)
• Coverage, Not Averages: Semantic Stratification for Trustworthy Retrieval Evaluation [3.4588983513116065]
  検索向上世代(RAG)における検索品質は精度とロバスト性の主要なボトルネックである 我々は,評価を統計的推定問題として定式化し,評価セットの構成によってメートル法信頼性が根本的に制限されていることを示す。 その結果,(1)検索のセマンティック・システマティクスにまたがる形式的カバレッジ保証,(2)検索の失敗モードへの解釈可能な可視性を実現した。
  論文  参考訳（メタデータ） (2026-04-22T16:49:30Z)
• ERA: Evidence-based Reliability Alignment for Honest Retrieval-Augmented Generation [19.616905640490252]
  本稿ではERA(Evidence-based Reliability Alignment)と呼ばれる新しいフレームワークを提案する。 提案手法は, 解答カバレッジと棄却のトレードオフを最適化し, 校正精度を向上し, ベースラインを著しく向上させる。
  論文  参考訳（メタデータ） (2026-02-24T01:45:51Z)
• Uncertainty in Federated Granger Causality: From Origins to Systemic Consequences [3.122408196953971]
  Granger Causality (GC)は時系列データから因果構造を学ぶための厳密なフレームワークを提供する。 フェデレーションGCアルゴリズムは因果関係を決定論的に推定し、不確実性を無視するのみである。 本稿では,不確実性を厳密に定量化するための最初の手法を確立する。
  論文  参考訳（メタデータ） (2026-02-13T15:12:18Z)
• Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
  汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。 本稿では,ロバストネスアライメントスコア(RAS)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T12:07:56Z)
• Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
  教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。 本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
  論文  参考訳（メタデータ） (2025-08-26T03:13:08Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Distribution-free binary classification: prediction sets, confidence intervals and calibration [106.50279469344937]
  分布自由条件における二項分類のための不確実性定量化(キャリブレーション、信頼区間、予測セット)の3つの概念について検討する。 固定幅と一様質量の両双対の双対確率に対する信頼区間を導出する。 我々の「三脚」定理の結果として、双有理確率に対するこれらの信頼区間は分布自由キャリブレーションに繋がる。
  論文  参考訳（メタデータ） (2020-06-18T14:17:29Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。