論文の概要: Retrieval-Augmented Classification of Environmental Mitigations in Hydropower Licensing Documents

• arxiv url: http://arxiv.org/abs/2608.23241v1
• Date: Mon, 24 Aug 2026 13:27:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.119163
• Title: Retrieval-Augmented Classification of Environmental Mitigations in Hydropower Licensing Documents
• Title（参考訳）: 水力ライセンス文書における環境緩和の検索・強化分類
• Abstract要約: 我々はこれを、構造化された135カテゴリーの分類上の多ラベル分類問題として定式化する。 BERTベースのパイプラインによる教師付き双方向表現は、目に見えないクラスでゼロのF1を達成する。 本稿では,BERT検出とRAG分類を組み合わせたハイブリッドシステムを提案する。
• 参考スコア（独自算出の注目度）: 0.2555802789878571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying and classifying environmental mitigation obligations in Federal Energy Regulatory Commission hydropower licensing documents is a labor-intensive task requiring deep domain expertise. We formulate this as a multi-label classification problem over a structured 135-category taxonomy and address the central challenge of severe label scarcity: 40 of 135 categories have no training examples, and 26 have fewer than five. A supervised Bidirectional Encoder Representations from Transformers (BERT)-based pipeline, while effective on well-represented categories, achieves F1 of zero on unseen classes regardless of augmentation strategy. We introduce a Retrieval-Augmented Generation (RAG) pipeline that conditions classification on retrieved category definitions, enabling zero-shot generalization across the full label space. We further propose a hybrid system that combines BERT detection with RAG classification, exploiting the high recall of fine-tuned detection and the zero-shot coverage of retrieval-augmented reasoning. Evaluated on the full set of 2017 license documents (5,860 paragraphs, 135 categories), the hybrid achieves a Micro F1 of 0.524, outperforming the BERT-only pipeline (0.477) and the RAG-only pipeline (0.416) across all training-support buckets.
• Abstract（参考訳）: 連邦エネルギー規制委員会(Federal Energy Regulatory Commission)の水力ライセンス文書における環境緩和義務の特定と分類は、深いドメインの専門知識を必要とする労働集約的な作業である。 我々はこれを構造化された135カテゴリの分類上の多ラベル分類問題として定式化し、重度ラベル不足の中心的課題に対処する:135カテゴリのうち40はトレーニング例がなく、26は5つ未満である。 変換器(BERT)ベースのパイプラインによる教師付き双方向エンコーダ表現は、よく表現されたカテゴリでは有効であるが、拡張戦略にかかわらず、目に見えないクラスでは0のF1を達成する。 本稿では,検索したカテゴリ定義の分類を規定するRAGパイプラインを導入し,全ラベル空間におけるゼロショットの一般化を実現する。 さらに,BERT検出とRAG分類を組み合わせたハイブリッドシステムを提案する。 2017年のライセンス文書(5,860段落、135カテゴリ)の完全なセットに基づいて評価され、このハイブリッドは0.524のマイクロF1を達成し、BERTのみのパイプライン(0.477)とRAGのみのパイプライン(0.416)に勝っている。

関連論文リスト

• HIRA: A Human-in-the-Loop Retrieval-Augmented Cascade for Document Classification in Regulated Industries [1.5965246343492343]
  HIRAは、トレーニング不要でオンプレミスの検索拡張された、規制されたデプロイメントにおけるドキュメント分類のためのカスケードである。 信頼された文書は、検索によって直接分類され、不確実または視覚的に不確実な文書は、ローカルにホストされた検証者に渡される。 プライベートな80クラスのトレーディングファイナンスコーパスでは、HIRAが30,233のドキュメント生成ストリームを処理し、わずか1,945のドキュメントに対して人間の修正を要求する。
  論文  参考訳（メタデータ） (2026-08-22T06:19:19Z)
• NOWJ@COLIEE 2026: Adaptive Pipelines for Legal Retrieval and Reasoning [1.2884266282263097]
  本稿では,COLIEE 2026コンペティションの5つの課題すべてに対するNOWJチームの参加の方法論と成果について述べる。 タスク1(Legal Case Retrieval)では、4段階の候補フィルタリング,補体埋め込みモデルによる高密度検索,微調整された生成リランカによるクロスエンコーダのリランクを提案する。 第2タスク(Legal Case Entailment)では、BM25ベースのリランク、アテンションベースのリランク、コンセンサスアンサンブルの検証を組み合わせる。 第3タスク(法典検索・内容)については,検索オーグを採用する。
  論文  参考訳（メタデータ） (2026-07-18T02:46:06Z)
• The Eticas AI Risk Taxonomy: Open Infrastructure for Operationalizing AI Audits [2.869158116077567]
  我々は、Eticasが構築した運用層を公開ベンチマークに対して単一のリスク(PIIリーク)でエンドツーエンドに示す。 GPT-4-0314では, 対向条件が増加するにつれて, 7つの外部フレームワークの制御を必要とする開示リスクが0%, 51%, 84%と測定された。 この貢献は、概念から段階的な発見への橋渡しであり、それらが表すメカニズムからリスクをきれいに分離することで支えられている。
  論文  参考訳（メタデータ） (2026-07-02T14:08:34Z)
• Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification [50.20892407648858]
  マルチモーダルコントラスト学習は、画像とテキストカテゴリを整列させることで、ゼロショットの視覚的分類を可能にした。 既存の手法は、しばしば分類学レベルで矛盾する予測を生成する。 本稿では,各分類レベルが適切な最適化を受けることを保証するグループバランス設計を提案する。 我々は、BioCLIPに基づいてTreeOfLife-10Mでモデルをトレーニングし、複数の階層分類ベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-06-20T02:12:05Z)
• How Fine-Grained Should a RAG Benchmark Be? A Hierarchical Framework for Synthetic Question Generation [10.49700178435632]
  HieraRAGはRAGベンチマーク構築の粒度を研究するための階層的なフレームワークである。 我々はFinWeb-10BTから3次元の合成質問応答(QA)ペアを5,872個生成する。 コヒーレンス比(Coherence Ratio)測度を導入し、細粒度分割がクリーンに分割されるかどうかを定量化する。
  論文  参考訳（メタデータ） (2026-06-11T01:14:07Z)
• Verifiable Environments Are LEGO Bricks: Recursive Composition for Reasoning Generalization [93.59040719904154]
  本稿では,検証可能な環境を構成可能なビルディングブロックとして概念化するフレームワークであるRACES(textbfRecursive textbf Automated textbfComposition for textbfEnvironment textbfScaling)を紹介する。 RACESは300の個別環境で実装され、多様な推論パターンを誘導する合成演算子セットを定義している。
  論文  参考訳（メタデータ） (2026-06-10T17:39:41Z)
• Retrieval-Based Multi-Label Legal Annotation: Extensible, Data-Efficient and Hallucination-Free [3.5784933879188796]
  パラメトリックエンコーダは通常、ラベルセットの変更時にタスク固有のトレーニングと再トレーニングを必要とする。 生成可能な大規模言語モデルは、ラベル空間が大きくなるにつれてコストがかかり、劣化する。 我々は,文書とラベル記述を凍結検索モデルに埋め込み,k-アネレスト近傍の埋め込み空間でラベルを予測する。
  論文  参考訳（メタデータ） (2026-05-16T02:40:01Z)
• Rethinking Composed Image Retrieval Evaluation: A Fine-Grained Benchmark from Image Editing [49.293939113428486]
  Composed Image Retrieval (CIR) はマルチモーダル理解において重要かつ複雑なタスクである。 画像編集を利用して、変更タイプや内容の正確な制御を実現し、幅広いカテゴリのクエリを合成するパイプラインを実現する。 このパイプラインを用いて、新しい粒度CIRベンチマークであるEDIRを構築する。
  論文  参考訳（メタデータ） (2026-01-22T17:26:52Z)
• Towards Global Retrieval Augmented Generation: A Benchmark for Corpus-Level Reasoning [50.27838512822097]
  我々は,グローバルRAG機能を評価するために設計された最初のベンチマークであるGlobalQAを紹介する。 我々は,チャンクレベルの検索によって構造的コヒーレンスを保存するマルチツール協調フレームワークであるGlobalRAGを提案する。 Qwen2.5-14Bモデルでは、GlobalRAGは最強のベースラインである1.51 F1と比較して6.63 F1を達成した。
  論文  参考訳（メタデータ） (2025-10-30T07:29:14Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• SEA: Bridging the Gap Between One- and Two-stage Detector Distillation via SEmantic-aware Alignment [76.80165589520385]
  細粒度情報を抽象化する性質から,SEA (SEmantic-Aware Alignment) 蒸留法を命名した。 1段検出器と2段検出器の両方において、挑戦的な物体検出タスクにおいて、最先端の新たな結果が得られる。
  論文  参考訳（メタデータ） (2022-03-02T04:24:05Z)

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。