論文の概要: Scientific Claim-Source Retrieval Revisited: A Comparative Study of Style Transfer and Re-Ranking
- arxiv url: http://arxiv.org/abs/2607.15875v1
- Date: Fri, 17 Jul 2026 11:43:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.841022
- Title: Scientific Claim-Source Retrieval Revisited: A Comparative Study of Style Transfer and Re-Ranking
- Title（参考訳）: 科学的クレーム源検索再考 : スタイル転送と再帰についての比較研究
- Abstract要約: We present a comparative study of scientific claim-source search on the CheckThat!
本結果から,請求項を英語に翻訳することで,原文とバイリンガルのクレーム表現に優れることがわかった。
本稿では,属性,エンティティ重複,検証に基づく推論に基づく新しい3つのモデルを提案する。
- 参考スコア（独自算出の注目度）: 17.04255262988263
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientific claims shared on social media are often difficult to verify and may contribute to the spread of misinformation. To address this challenge, automated fact verification systems require scientific claim-source retrieval, the task of identifying the source publication underlying a given claim. However, claims often differ substantially from their source publications in language, style, and specificity, making retrieval challenging. We present a comparative study of scientific claim-source retrieval on the CheckThat! 2026 benchmark across sparse and dense retrieval models. Our results show that translating claims into English outperforms both original and bilingual claim representations, while incorporating publication metadata provides additional retrieval gains by capturing indirect source references. In addition, we analyze four style transfer approaches and find that they improve retrieval performance for most models, although the optimal style depends on the underlying retrieval objective. Finally, we investigate similarity- and signal-based re-ranking approaches, introducing three novel re-ranking models based on attribution, entity overlap, and verification-based reasoning. Verification-based re-ranking yields additional gains beyond semantic similarity and achieves the best overall performance with an MRR@5 of 0.758.
- Abstract（参考訳）: ソーシャルメディア上で共有される科学的な主張は、しばしば検証が困難であり、誤報の拡散に寄与する可能性がある。
この課題に対処するために、自動化された事実検証システムは、与えられたクレームの根底にある情報源を識別する科学的なクレームソース検索を必要とする。
しかしながら、クレームは言語、スタイル、特異性の原典と大きく異なることが多く、検索が困難である。
CheckThatの科学的クレームソース検索について比較検討する。
2026 スパースおよび密度の高い検索モデルに対するベンチマーク。
この結果から,原文とバイリンガルのクレーム表現は英語のクレーム翻訳で優れており,また,公開メタデータを組み込むことで,間接的ソース参照の取得による検索精度の向上が期待できることがわかった。
さらに,4つのスタイル転送手法を解析し,ほとんどのモデルにおける検索性能を向上するが,最適スタイルは基礎となる検索目標に依存する。
最後に、類似性および信号に基づく再分類手法について検討し、帰属性、エンティティ重複性、検証に基づく推論に基づく3つの新しい再分類モデルを提案する。
検証ベースの再ランク付けでは、セマンティックな類似性以上の利得が得られ、MRR@5の0.758で全体的なパフォーマンスが最高のものとなる。
関連論文リスト
- Claim2Source at CheckThat! 2026: Improving Multilingual Scientific Claim-Source Retrieval with Verification-based Re-Ranking [17.04255262988263]
本稿では,多言語科学的クレームソース検索のための多段階検索フレームワークを提案する。
このフレームワークは、バイリンガルクレーム表現、メタデータ強化されたソース表現、および高密度検索モデルの言語固有の適応を用いている。
われわれのアプローチでは、英語、ドイツ語、フランス語のクレームの平均MRR@5スコアが0.7628に達し、2026年のCheckThat!
論文 参考訳（メタデータ） (2026-07-04T22:07:23Z) - Extending AI for Research to the Humanities: A Multi-Agent Framework for Evidence-Grounded Scholarship [16.735903349022777]
SPIRE(Scholarly-Primitives-Inspired Research Engine)は、エビデンスに基づく人文科学研究のためのマルチエージェントフレームワークである。
複数スケールのクローズドリーダー基板上での協調エージェントの役割として、人文操作を繰り返す。
答えの正確性、深さ、カバレッジ、証拠の質について、より高いブラインド・ジャッジスコアが与えられる。
論文 参考訳（メタデータ） (2026-05-29T07:33:29Z) - MeVer at CheckThat! 2026: Cluster-Aware Hard-Negative Mining for Multilingual Scientific-Source Retrieval [11.097006771680896]
2026 タスク 1 では,多言語科学的ソース検索について提案する。
本稿では,検索した候補プールのセマンティック構造を利用したクラスタ認識型ハードネガティブマイニング手法を提案する。
実験により, 異なるハード負構造が異なる検索行動を引き起こすことが示された。
論文 参考訳（メタデータ） (2026-05-22T21:24:14Z) - Combining Trained Models in Reinforcement Learning [0.0]
深層強化学習(DRL)は、AtariやGoといったドメインで大きな成果を上げているが、それでも高いサンプルコストとトレーニング環境を超えて、弱い移行に悩まされている。
一般的な反応は、転送、蒸留、アンサンブル法、フェデレーショントレーニングを通じて、以前に訓練されたモデルの情報を再利用することである。
本稿では、DRLにおける事前学習知識の再利用に関する実証的研究について、PRISMA指導による体系的レビューを行う。
論文 参考訳（メタデータ） (2026-05-04T02:37:55Z) - Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である
本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
論文 参考訳（メタデータ） (2026-03-05T18:42:51Z) - Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。
そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
論文 参考訳（メタデータ） (2025-10-20T04:16:28Z) - VeriCite: Towards Reliable Citations in Retrieval-Augmented Generation via Rigorous Verification [107.75781898355562]
証拠を厳格に検証し,回答の帰属性を高めるために設計された,VeriCiteと呼ばれる新しいフレームワークを紹介する。
我々は,5つのオープンソースLCMと4つのデータセットを対象とした実験を行い,VeriCiteが回答の正しさを維持しつつ,引用品質を大幅に向上できることを実証した。
論文 参考訳（メタデータ） (2025-10-13T13:38:54Z) - Improving Document Retrieval Coherence for Semantically Equivalent Queries [63.97649988164166]
同じ文書を検索する際のモデルのコヒーレンスを改善する訓練DRにおける多段階ランク付け損失のバリエーションを提案する。
この損失は、多様だがセマンティックな等価なクエリのために検索されたトップkランクのドキュメント間の不一致を罰する。
論文 参考訳（メタデータ） (2025-08-11T13:34:59Z) - Unsupervised dense retrieval with conterfactual contrastive learning [16.679649921935482]
そこで本研究では,高密度検索モデルの高感度化により,高密度検索モデルのロバスト性を向上させることを提案する。
この文脈での感度を達成するモデルは、クエリとの関連性を決定するドキュメントのキーパスが修正されたときに高いばらつきを示すべきである。
因果関係と反事実分析に動機付け, 一連の反事実正則化手法を提案する。
論文 参考訳（メタデータ） (2024-12-30T07:01:34Z) - JudgeRank: Leveraging Large Language Models for Reasoning-Intensive Reranking [81.88787401178378]
本稿では,文書関連性を評価する際に,人間の認知過程をエミュレートする新しいエージェント・リランカであるJiceRankを紹介する。
我々は,推論集約型BRIGHTベンチマークを用いて判定Rankを評価し,第1段階の検索手法よりも性能が大幅に向上したことを示す。
さらに、JiceRankは、人気の高いBEIRベンチマークの細調整された最先端リランカと同等に動作し、ゼロショットの一般化能力を検証している。
論文 参考訳（メタデータ） (2024-10-31T18:43:12Z) - AmbiFC: Fact-Checking Ambiguous Claims with Evidence [57.7091560922174]
実世界の情報ニーズから10kクレームを抽出したファクトチェックデータセットであるAmbiFCを提示する。
アンビFCの証拠に対する主張を比較する際に,曖昧さから生じる不一致を分析した。
我々は,このあいまいさをソフトラベルで予測するモデルを開発した。
論文 参考訳（メタデータ） (2021-04-01T17:40:08Z) - Generating Fact Checking Explanations [52.879658637466605]
まだ欠けているパズルの重要なピースは、プロセスの最も精巧な部分を自動化する方法を理解することです。
本稿では、これらの説明を利用可能なクレームコンテキストに基づいて自動生成する方法について、最初の研究を行う。
この結果から,個別に学習するのではなく,両目標を同時に最適化することで,事実確認システムの性能が向上することが示唆された。
論文 参考訳（メタデータ） (2020-04-13T05:23:25Z)
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。