Fugu-MT 論文翻訳(概要): GeoRisk-RAG: A Hierarchy-Aware Risk Framework for Improving RAG Reliability through Selective Answering

論文の概要: GeoRisk-RAG: A Hierarchy-Aware Risk Framework for Improving RAG Reliability through Selective Answering

arxiv url: http://arxiv.org/abs/2608.22634v1
Date: Sun, 23 Aug 2026 22:39:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 13:29:43.815775
Title: GeoRisk-RAG: A Hierarchy-Aware Risk Framework for Improving RAG Reliability through Selective Answering
Title（参考訳）: GeoRisk-RAG:選択回答によるRAG信頼性向上のための階層型リスクフレームワーク
Abstract要約: 提案するGeoRisk-RAGは,この地理的妥当性のギャップを選択的解答によって解決する階層型フレームワークである。新たな山火事関連質問回答データセットの実験により、GeoRisk-RAGは位置依存質問に対する疑似信頼率を著しく低下させることが示された。この研究は、地理空間領域における安全な意思決定のための地理的妥当性と選択探索行動を統合することにより、エンドツーエンドRAGパイプラインのより包括的な評価を提供する。
参考スコア（独自算出の注目度）: 8.527283791363045
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Current work on improving reliability in large language model (LLM)- generated answers has primarily leveraged Retrieval-Augmented Generation (RAG), knowledge-graph augmentation, and reinforcement learning. While these methods are adept at enhancing and measuring reliability through semantic similarity and faithfulness, they often struggle to distinguish semantic similarity from geographic validity. This is especially critical in natural hazard management domains where geographic granularity (i.e., town vs. city vs. state) is significant for decision-making, as responses valid in one municipality may not transfer to another. In such domains, a confidently wrong answer carries greater risk than abstaining. We present GeoRisk-RAG, a novel hierarchy-aware framework that addresses this geographic-validity gap through selective answering. This framework explicitly estimates geographic applicability using a Directed Acyclic Graph (DAG)-based distance for context retrieval before response generation. Experiments on a novel held-out wildfire-related question-answering (QA) dataset show that GeoRisk-RAG significantly reduces false confidence rates for location-dependent questions, lowering the rate to 0.009 compared with ~0.090 for standard semantic similarity and reranking baselines, while consistently achieving higher human preference alignment. This work provides a more comprehensive assessment of end-to-end RAG pipelines by integrating geographic validity and selective-answering behavior for safer decision-making in geospatial domains.
Abstract（参考訳）: 大規模言語モデル(LLM)が生成する回答の信頼性向上に関する現在の研究は、主に検索・拡張生成(RAG)、知識グラフの強化、強化学習を活用している。これらの手法は、意味的類似性と忠実性を通じて信頼性を高め、測定するのに適しているが、意味的類似性と地理的妥当性の区別に苦慮することが多い。これは、地理的粒度(町対市対州)が決定に重要である自然災害管理領域において特に重要である。そのような領域では、自信を持って間違った答えは、棄権するよりも大きなリスクをもたらす。提案するGeoRisk-RAGは,この地理的妥当性のギャップを選択的解答によって解決する新しい階層認識フレームワークである。このフレームワークは、応答生成前のコンテキスト検索にDAG(Directed Acyclic Graph)に基づく距離を用いて、地理的適用性を明示的に推定する。新たな山火事関連質問回答データセット(QA)による実験では、GeoRisk-RAGは位置依存的な質問に対する偽の信頼率を著しく低減し、標準的な意味的類似性やベースラインの0.090よりも0.009に低下し、高い人間の嗜好の整合性を一貫して達成している。この研究は、地理空間領域における安全な意思決定のための地理的妥当性と選択探索行動を統合することにより、エンドツーエンドRAGパイプラインのより包括的な評価を提供する。

関連論文リスト

ReaGeo: Reasoning-Enhanced End-to-End Geocoding with LLMs [8.089023511080248]
本稿では,大規模言語モデルに基づくエンドツーエンドのジオコーディングフレームワークReaGeoを提案する。この方法は、座標をジオハッシュシーケンスに変換し、座標予測タスクをテキスト生成問題として再構成する。距離決定に基づく報酬を用いた強化学習を適用し、生成精度を最適化する。
論文参考訳（メタデータ） (2026-04-23T07:18:21Z)
GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics [91.17301794848025]
本稿では,人間と密に推論し,詳細なアドレス結論を導出できるGeoAgentについて述べる。従来のRLベースの手法は、パフォーマンスと解釈可能性においてブレークスルーを達成したが、AI生成のチェーン・オブ・プリート(CoT)データとトレーニング戦略に依存しているため、依然として懸念が残っている。
論文参考訳（メタデータ） (2026-02-13T04:48:05Z)
Vision-Language Reasoning for Geolocalization: A Reinforcement Learning Approach [41.001581773172695]
提案するGeo-Rは,既存の接地トラス座標から構造的推論経路を明らかにする,検索不要なフレームワークである。本稿では,ルールに基づく階層的推論パラダイムである領域の連鎖を提案する。提案手法は,空間的直接監視による地理的推論を構造化し,位置推定精度の向上,一般化の強化,透過的な推論を行う。
論文参考訳（メタデータ） (2026-01-01T16:51:41Z)
Geospatial Chain of Thought Reasoning for Enhanced Visual Question Answering on Satellite Imagery [1.9153836153207706]
衛星画像における視覚質問応答(VQA)の進行には,空間的思考連鎖(CoT)推論が不可欠である。本稿では,CoT推論をDPO(Direct Preference Optimization)と統合し,解釈性,堅牢性,精度を向上させるVQAフレームワークを提案する。実験の結果、CoTの監督は直接ベースラインよりも34.9%精度が向上し、DPOは精度と推論品質が向上した。
論文参考訳（メタデータ） (2025-11-14T11:54:05Z)
Grounding Long-Context Reasoning with Contextual Normalization for Retrieval-Augmented Generation [57.97548022208733]
キー値抽出における表面的選択が精度と安定性のシフトを引き起こすことを示す。生成前の文脈表現を適応的に標準化する戦略であるコンテキスト正規化を導入する。
論文参考訳（メタデータ） (2025-10-15T06:28:25Z)
Retrieval-Augmented Generation for Reliable Interpretation of Radio Regulations [49.671779378073886]
無線規制分野における質問応答について検討する。本稿では,通信事業者固有のレトリーバル拡張生成(RAG)パイプラインを提案する。当社のアプローチは,テスト対象モデル全体の生成精度を一貫して向上させる。
論文参考訳（メタデータ） (2025-09-11T17:43:42Z)
GeoSR: Cognitive-Agentic Framework for Probing Geospatial Knowledge Boundaries via Iterative Self-Refinement [4.026524042818433]
GeoSRは自己修正型のエージェント推論フレームワークで、コア地理的原則を反復予測ループに組み込む。物理世界特性推定から社会経済予測に至るまでのタスクにおけるGeoSRの検証を行う。
論文参考訳（メタデータ） (2025-08-06T04:45:34Z)
Spatial-RAG: Spatial Retrieval Augmented Generation for Real-World Geospatial Reasoning Questions [5.053463027769152]
空間RAG(Spatial-RAG)は、地理空間質問応答用に設計された検索型生成フレームワークである。構造化空間データベースと大きな言語モデル(LLM)をハイブリッド空間レトリバーを介して統合する。応答過程を空間的および意味的関連性に対する多目的最適化として定式化する。
論文参考訳（メタデータ） (2025-02-04T01:30:06Z)
SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文参考訳（メタデータ） (2023-09-30T06:20:21Z)
Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
論文参考訳（メタデータ） (2023-09-04T13:44:50Z)
Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。