論文の概要: Sparse Coverage: Semantic Center Representations for Patent Prior-Art Retrieval

• arxiv url: http://arxiv.org/abs/2608.16918v1
• Date: Fri, 31 Jul 2026 09:41:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.971631
• Title: Sparse Coverage: Semantic Center Representations for Patent Prior-Art Retrieval
• Title（参考訳）: Sparse Coverage: 特許先物検索のためのセマンティックセンター表示
• Abstract要約: 教師なしセマンティック検索フレームワークSparse Coverageを提案する。 スパース被覆は、局所的なスパン埋め込みを埋め込み空間中心のスパース語彙にマッピングする。 CLEF-IP 2013の実験では、スパースカバレッジは強力な高密度特許エンコーダの文書レベルのリコールと一致するか超えている。
• 参考スコア（独自算出の注目度）: 15.73941714079915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patent prior-art retrieval is a recall-oriented search task over long and highly structured technical documents. Dense retrieval improves semantic matching, but single-vector representations may compress multiple technical components, functions, and constraints into a single embedding. We propose Sparse Coverage, an unsupervised semantic retrieval framework that maps local span embeddings to a sparse vocabulary of embedding-space centers. The centers are selected with a coverage-oriented k-center objective, and spans activate nearby centers to produce sparse representations compatible with inverted-index retrieval. Experiments on CLEF-IP 2013 show that Sparse Coverage matches or exceeds the document-level recall of strong dense patent encoders in several configurations, while remaining competitive for passage-level retrieval. By combining local semantic evidence with sparse inverted-index search, Sparse Coverage provides an effective first-stage retrieval approach for patent search.
• Abstract（参考訳）: 特許先行検索は、長期かつ高度に構造化された技術文書に対するリコール指向の検索タスクである。 センス検索はセマンティックマッチングを改善するが、単一ベクトル表現は複数の技術コンポーネント、関数、制約を単一の埋め込みに圧縮することができる。 Sparse Coverageは、局所的なスパン埋め込みを埋め込み空間中心のスパース語彙にマッピングする教師なしセマンティック検索フレームワークである。 センターはカバレッジ指向のk中心目標で選択され、スパンは近くのセンターを活性化し、逆インデックス検索と互換性のあるスパース表現を生成する。 CLEF-IP 2013の実験では、スパースカバレッジはいくつかの構成において強力な高密度特許エンコーダの文書レベルのリコールと一致するか、あるいは超えている。 局所的なセマンティックエビデンスとスパース逆インデックス検索を組み合わせることで、スパースカバレッジは特許検索に有効な第1段階検索アプローチを提供する。

関連論文リスト

• Hypergraph Embedding Indexing for Efficient Dense Vector Retrieval [0.0]
  ハイパグラフ埋め込み指数 (HEI) は文書を高度に活性化された潜伏埋め込み次元の組み合わせに応じて整理するフレームワークである。 HEIは、濃密な埋め込みのセマンティックランキング機能を保持しながら、逆インデックススタイルの候補生成を可能にする。
  論文  参考訳（メタデータ） (2026-08-24T08:40:17Z)
• 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)
• 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)
• Rethinking Deep Research from the Perspective of Web Content Distribution Matching [86.90255285277256]
  WeDasは,検索空間の構造的特徴をエージェントの観察空間に組み込んだWebコンテンツ配信アウェアフレームワークである。 本稿では,Query-Result Alignment Scoreを反復的に推定する数ショットの探索機構を提案する。 プラグイン・アンド・プレイモジュールとして、WeDasは4つのベンチマークのサブゴール補完と精度を一貫して改善している。
  論文  参考訳（メタデータ） (2026-03-07T14:51:17Z)
• Multi-Vector Index Compression in Any Modality [73.7330345057813]
  後期の相互作用は、テキスト、画像、ビジュアルドキュメント、ビデオにおける情報検索の主要なパラダイムとして現れてきた。 インデックス圧縮には,シーケンスリサイズ,メモリトークン,階層プール,新しいアテンション誘導クラスタリング(AGC)の4つのアプローチを導入する。 AGCは、ドキュメントの最もセマンティックな領域をクラスタセントロイドとして識別し、トークンの集合を重み付けするために注意誘導機構を使用する。
  論文  参考訳（メタデータ） (2026-02-24T18:57:33Z)
• Generative Retrieval as Multi-Vector Dense Retrieval [71.75503049199897]
  生成検索は、文書の識別子をエンドツーエンドで生成する。 それまでの研究は、原子識別子による生成的検索が単一ベクトル密度検索と等価であることを示した。 生成的検索と多ベクトル高密度検索は,文書の問合せに対する関連性を測定するのと同じ枠組みを共有していることを示す。
  論文  参考訳（メタデータ） (2024-03-31T13:29:43Z)
• Dense X Retrieval: What Retrieval Granularity Should We Use? [56.90827473115201]
  しばしば見過ごされる設計選択は、コーパスが索引付けされる検索単位である。 本稿では,高密度検索のための新しい検索ユニット,命題を提案する。 実験により、提案のような細粒度単位によるコーパスのインデックス付けは、検索タスクにおける通過レベル単位を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-12-11T18:57:35Z)
• Hybrid Inverted Index Is a Robust Accelerator for Dense Retrieval [25.402767809863946]
  逆ファイル構造は高密度検索を高速化する一般的な手法である。 本研究では,Hybrid Inverted Index (HI$2$)を提案する。
  論文  参考訳（メタデータ） (2022-10-11T15:12:41Z)

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。