論文の概要: Factorized Hypothesis Search for Evidence-to-Taxonomy Retrieval

• arxiv url: http://arxiv.org/abs/2608.06614v1
• Date: Thu, 06 Aug 2026 21:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.29838
• Title: Factorized Hypothesis Search for Evidence-to-Taxonomy Retrieval
• Title（参考訳）: Evidence-to-Taxonomy Retrievalのための因子的仮説探索
• Abstract要約: 我々は,現在の指標がセマンティクスが明確である場合に,ターゲットを確実に検索することを示す。 名前付きセマンティックディメンションに対して複数の部分的解釈を保持する因子的仮説探索(FHS)を提案する。 FHSは、最も優れたRecall@1、MRR、そして非オークルメソッドの最終的な精度を達成する。
• 参考スコア（独自算出の注目度）: 10.781394552172875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-taxonomy retrieval often assumes that the input already expresses the target concept. In many settings, however, the input is indirect evidence, such as a table cell whose meaning depends on its row, column, datatype, and context. We call this mismatch the retrieval readiness gap. Our analysis shows that the current index retrieves the target reliably when its semantics are explicit, while raw evidence often leaves it deep in the ranking. We propose Factorized Hypothesis Search (FHS), which maintains multiple partial interpretations over named semantic dimensions. These hypotheses support structured query rendering, multi-hypothesis retrieval, and dimension-level candidate verification. On both financial taxonomy tagging and CodiEsp clinical coding tasks, FHS achieves the best Recall@1, MRR, and final accuracy among the non-oracle methods. Replacing the factorized hypothesis path with a free-text ensemble causes the largest drop in head-ranking performance, while sequential refinement provides no additional gain over FHS's strong parallel first round.
• Abstract（参考訳）: 大規模な分類法検索は、入力が既にターゲット概念を表現していると仮定することが多い。 しかし、多くの設定では、入力はその行、列、データ型、コンテキストに依存するテーブルセルのような間接的なエビデンスである。 私たちはこのミスマッチを検索準備のギャップと呼んでいる。 我々の分析によると、現在の指標は、意味が明確であるときに確実にターゲットを回収するが、生の証拠は、しばしばランキングの奥深くに残している。 名前付きセマンティックディメンションに対して複数の部分的解釈を保持する因子的仮説探索(FHS)を提案する。 これらの仮説は、構造化クエリレンダリング、マルチハイプセシス検索、次元レベルの候補検証をサポートする。 ファイナンシャル・タギングとCodiEspクリニカル・コーディング・タスクの両方において、FHSは最も優れたRecall@1、MRR、そして非オークル・メソッドの最終的な精度を達成している。 因数分解された仮説パスを自由テキストアンサンブルで置き換えると、最高レベルの性能が最大に低下する一方、シーケンシャルな改善はFHSの強力な並列第一ラウンドよりも追加的な利得を与えない。

関連論文リスト

• FinSAgent: Corpus-Aligned Multi-Agent RAG Framework for Evidence-Grounded SEC Filing Question Answering [16.415865984091667]
  FinSAgentはエビデンスベースのマルチエージェントフレームワークで、SECのQA申請をコーパス対応の検索計画として再編成している。 FinSAgentは、強力なシングルエージェントとマルチエージェントのベースラインに対する検索カバレッジと回答の正しさを改善している。
  論文  参考訳（メタデータ） (2026-07-20T16:03:15Z)
• Before the Action: Benchmarking LLMs on Prospective Hypothesis Discovery [95.44432473367836]
  大規模言語モデル(LLM)は、事前に特定された質問に答える能力に優れるが、未解決の未解決段階をナビゲートする能力はほとんど測定されていない。 仮説探索(PHD)を導入し,不確定な証拠から,仮説空間を自律的に構築することをモデルに求める。 本稿では,6つの科学的・分析的領域にわたる988ケースのベンチマークであるHypoArenaと,オープンエンド仮説セットの評価フレームワークであるHypoEvalを紹介する。
  論文  参考訳（メタデータ） (2026-07-17T08:56:43Z)
• Hierarchical Evidence-Driven Reasoning for Long Document Understanding [95.51688464037096]
  閉領域文書理解のための階層的・エビデンス駆動型マルチモーダルRAGフレームワークであるHIEVI-RAGを紹介する。 我々のフレームワークは、既存のオープンソースベースラインを著しく上回り、最強の報告ベースラインを平均8.05%の精度で上回ります。
  論文  参考訳（メタデータ） (2026-07-06T03:08:28Z)
• R$^2$-Searcher: Calibrating Retrieval and Reasoning Boundaries for Agentic Search [59.034878430183305]
  R$2$-Searcherは、検索と推論の境界を明示的に探索し、校正する。 R$2$-Searcherは,解答精度と検索品質において,最先端のエージェント検索法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-06-26T19:44:34Z)
• Closing the Indexing-Decoding Gap in Multimodal Generative Retrieval via Prefix Retention Optimization [68.48718919047127]
  マルチモーダル生成検索式は、複数のモーダル検索を離散識別子生成として定義し、外部埋め込みよりも明示的な類似性探索を不要とする。 既存の手法では、残差量子化によって識別子を構築し、トリエ制約ビームサーチでデコードする。 この組み合わせは、インデックス化とデコーディングのギャップを導入している: 識別子学習の目的は、再構成や対照的な損失を含むが、デコーディング中にプレフィックスの識別性を明示的に強制しない。 1)プレフィックスの格付け蒸留は、リストワイドロスを用いた事前量子化埋め込みによって誘導されるプレフィックスと整合する; (ii)語彙スケジューリングは、コードブックを増大させる。
  論文  参考訳（メタデータ） (2026-06-08T09:15:47Z)
• Superintelligent Retrieval Agent: The Next Frontier of Information Retrieval [25.731213365755234]
  textitSuperIntelligent Retrieval Agent (SIRA)を紹介する。 SIRAは、複数ラウンド探索探索を単一のコーパス識別検索アクションに圧縮することができる。 解釈可能で、トレーニング不要で、効率的でありながら、より高価なマルチラウンドサーチを超えることができる。
  論文  参考訳（メタデータ） (2026-05-07T17:54:29Z)
• Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
  エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。 このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。 IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-05-03T19:13:11Z)
• Context-Aware Search and Retrieval Under Token Erasure [10.728269379368099]
  本稿では,トークン消去下でのRAG様システムの検索・検索モデルを紹介し,解析する。 本稿では,クエリ表現が部分的にしか保存されていない場合に,リモート文書検索の情報理論解析を行う。
  論文  参考訳（メタデータ） (2026-04-20T15:42:12Z)
• Entropic Claim Resolution: Uncertainty-Driven Evidence Selection for RAG [0.0]
  エントロピー最小化としてRAG推論を再構成する新しい推論時間アルゴリズムであるEntropic Claim Resolution (ECR)を導入する。 ECRは、情報の価値に関する決定論的基準である期待エントロピー還元(EER)を最大化することで、原子証拠の主張を選択する。 我々のフレームワークは、不確実性を認識した証拠選択のための厳格な基盤を提供し、パラダイムが最も差別的なものを検索するために最も関係のあるものを検索することからシフトする。
  論文  参考訳（メタデータ） (2026-03-30T13:49:03Z)
• QUARK: Robust Retrieval under Non-Faithful Queries via Query-Anchored Aggregation [2.505352949111876]
  QUARKは、非忠実なクエリの下で堅牢な検索を行うためのトレーニング不要のフレームワークである。 この設計により、QUIRKは堅牢性を犠牲にすることなくリコールとランキング品質を改善することができる。
  論文  参考訳（メタデータ） (2026-01-28T21:14:49Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)

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。