論文の概要: WARP: Wasserstein-Aligned RAG for Population Opinions

• arxiv url: http://arxiv.org/abs/2608.22859v1
• Date: Mon, 24 Aug 2026 06:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.908909
• Title: WARP: Wasserstein-Aligned RAG for Population Opinions
• Title（参考訳）: WARP:Wasserstein-Aligned RAG for Population Opinions
• Abstract要約: WARPは住民の意見分布の証拠を回収した。 我々は高密度、スパース、可変候補プールの3つの変種を開発する。 WARPのドメインマッチング型は、サブ秒レイテンシで少なくとも43%の分散エラーを減少させる。
• 参考スコア（独自算出の注目度）: 0.9882967349104086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: RAG systems are increasingly used to summarize what large collections of documents say. A user asks "What do people think about X?" and receives an answer that reads as consensus. But standard top-k retrieval ranks documents by query similarity, not by how faithfully they represent the population, so minority views quietly disappear. Existing fixes fall short. Diversity re-rankers like MMR and DPP spread retrieved documents apart, but with no target distribution to aim for. Calibration methods based on KL or JS divergence do target one, yet treat opinion bins as unordered: confusing strong positive with strong negative costs no more than an adjacent-bin miss. We introduce WARP, a family of post-retrieval algorithms that calibrate retrieved evidence to the population's opinion distribution. WARP first recovers underrepresented opinions that cosine ranking may bury, then uses Wasserstein-1 distance to select documents whose sentiment-intensity distribution matches the population target, capturing the ordinal structure ignored by KL and JS divergence. We develop three variants for dense, sparse, and variable candidate pools, trading off calibration quality and speed. Across three review domains spanning 35K documents, 156 queries, and 26 entities, WARP's domain-matched variants reduce distributional error by at least 43% with sub-second latency. These gains carry through to generation: a five-judge LLM panel prefers WARP-generated answers in 86% of decided comparisons at k <= 5.
• Abstract（参考訳）: RAGシステムは、ドキュメントの大きな集合が何を言っているかをまとめるのにますます使われています。 ユーザは「Xについてどう思うか?」と尋ね、コンセンサスとして読む回答を受け取る。 しかし、標準のトップk検索は文書をクエリの類似性によってランク付けする。 既存の修正は不足している。 MMRやDPPのような多様性のある再ランカは、取得したドキュメントを分割するが、目的とするターゲット分布は持っていない。 KL や JS の発散に基づく校正法は1つを対象とするが、意見ビンを非順序で扱う: 強い負のコストと強い負のコストを混乱させる。 本稿では,住民の意見分布に対する証拠を校正する検索後のアルゴリズムであるWARPを紹介する。 WARPはまず、コサインランキングが埋まる可能性があるという表現の少ない意見を回復し、次にWasserstein-1 距離を使って、感情と強度の分布が人口目標と一致する文書を選択し、KL と JS のばらつきによって無視される順序構造をキャプチャする。 我々は,キャリブレーションの品質と速度をトレードオフして,密度,スパース,可変候補プールの3つの変種を開発する。 35Kのドキュメント、156のクエリ、26のエンティティにまたがる3つのレビュードメインにおいて、WARPのドメインマッチング型は、サブ秒レイテンシで少なくとも43%の分散エラーを減少させる。 5judge LLMパネルは、k <= 5で決定された比較の86%でWARP生成の回答を好む。

関連論文リスト

• When Agents Disagree: Bayesian Backward Reasoning as a Label-Free Anchor for Multi-Agent Collective Decision-Making [5.335515762403034]
  LLMの審査員、投票規則、選挙規則は、証拠をラベルに一方向にマッピングする前方推論に依存している。 我々は、明示的な可能性からベイズ的後進推論を通じて各インスタンスの逆後進を構築する。 異なる因数分解からの推定は、同じ誤差をあまり共有しない傾向があるので、ジェンセン=シャノンの発散を利用して、クロスパス整合性によってエージェントをランク付けする。
  論文  参考訳（メタデータ） (2026-09-10T15:27:58Z)
• Spurious Advantage Hidden in GRPO [36.79136670827014]
  グループ相対政策最適化は、検証可能な報酬を伴う強化学習のために研究される。 オーバールックされたケースは同じ表面を共有している: ロールアウトは推測によってその上に着地し、公式は依然として高い等級を割り当てている。 これは、小さな候補セットを持つ有界回答タスク、限定されたサブケースをホストするオープン・アンサーセット、予算が同じ答えに多くの経路を開くサーチエージェントの3つのケースで発生する。 検証器の符号を保ち、グローバルスケールを使用し、クラスごとの段階的再スケーリングによってゼロ平均バランスを復元する。
  論文  参考訳（メタデータ） (2026-09-03T16:37:31Z)
• BM25 Wins at Scale: A Scaling Study of Retrieval-Augmented Generation Paradigms [22.217909582731505]
  Retrieval-augmented Generation (RAG) は語彙と密度の検索、グラフベースのインデックス、エージェント検索にまたがる。 約450倍の大きさの28層を厳密に営巣するコーパスサイズの変化について検討した。 公式な正確性、構築とクエリトークン、レイテンシを測定します。
  論文  参考訳（メタデータ） (2026-07-29T05:46:11Z)
• AI Trading's Alpha Singularity: Emergent Market Reasoning through Agent-to-Agent Self-Evolution [11.790070440436294]
  アルファマイニングはスコアリング関数を固定し、その上で探索アルゴリズムを変化させる。 固定スコアラーに対して収束する探索は、アウト・オブ・サンプルの一般化ギャップの主な原因である、スコアラーがペナルティ化できないものをオーバーフィットする。 スコアリング関数をアルファ因子とともに探索成果物として扱い、この共同探索を許容する条件について検討する。
  論文  参考訳（メタデータ） (2026-06-28T04:41:00Z)
• AgentFairBench: Do LLM Agents Discriminate When They Act? [2.3004655342211078]
  AgentFairBenchは、LLMエージェントの動作における人口格差に対する、安価で再現可能なマルチドメインベンチマークである。 これは、雇用、貸与、医療トリアージという、規制対象の3つの領域にまたがっている。 NumPyのみのハーネスは、反ファクト的なフリップ率、平均絶対スコア差(MASD)、アクションレートの相違、ツール起動の相違を計算する。
  論文  参考訳（メタデータ） (2026-06-15T13:50:26Z)
• Instance-Optimal Estimation with Multiple LLM Judges on a Budget [84.31744861038106]
  我々は、この問題を*予算付きヘテロスケダティックなマルチジャッジ推定*として定式化する。 K$のプロンプト-レスポンスペア、J$の既知のコストと未知のクエリ-ジャッジ分散が与えられた場合、目標は、$ell_p$-errorを最小化しながら、有界スコアベクトルを推定することである。 EST-IVWEは,予算の低次項までのオラクルIVWEレートと一致していることを示す。
  論文  参考訳（メタデータ） (2026-05-22T08:26:08Z)
• OpenDeepThink: Parallel Reasoning via Bradley-Terry Aggregation [53.88666485159289]
  OpenDeepThinkは、集団ベースのテスト時間計算フレームワークで、ペアワイズBradley-Terryの比較によって選択する。 OpenDeepThinkはGemini 3.1 ProのCodeforces Eloを8回のLCMコールラウンドで+405ポイント引き上げる。 CF-73は、国際グランドマスターアノテーションによる73の専門家評価コードフォース問題と、公式判決に対する99%の地域評価合意のキュレートされたセットである。
  論文  参考訳（メタデータ） (2026-05-14T17:57:40Z)
• Evidence-based Distributional Alignment for Large Language Models [58.65469623911573]
  LLM分布推定の忠実度とロバスト性を改善する証拠に基づくアライメント手法であるEvi-DAを提案する。 対象国が与えられた場合、Evi-DAは関連するWorld Values Survey項目とその回答分布を検索し、オプション毎に粗いヴェルツェル値シグネチャを予測し、国条件の回答分布を構造化形式で推測する。
  論文  参考訳（メタデータ） (2026-03-03T03:34:06Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• Test-time Verification via Optimal Transport: Coverage, ROC, & Sub-optimality [53.03186946689658]
  検証によるテストタイムのスケーリングは、大規模言語モデルのパフォーマンス向上を約束している。 検証の効果は、(i)ジェネレータのカバレッジ、(ii)検証器の収束領域(ROC)、(iii)サンプリングアルゴリズムの準最適性の3つの相互作用を通して現れる。 本稿では,輸送問題として検証可能なテストタイムスケーリングの枠組みを定め,カバレッジ,ROC,サブ最適性の相互作用を特徴付ける。
  論文  参考訳（メタデータ） (2025-10-21T18:05:42Z)
• Large Language Models are not Fair Evaluators [60.27164804083752]
  候補回答の品質ランキングは,文脈の出現順序を変えることで容易にハックできることがわかった。 この操作により、評価結果をスキューし、一方のモデルを他方よりもかなり優れているようにすることができる。 この問題を緩和するための3つのシンプルかつ効果的な戦略を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-29T07:41:03Z)

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。