Fugu-MT 論文翻訳(概要): Embedding Models for Stance-Aware Argument Retrieval

論文の概要: Embedding Models for Stance-Aware Argument Retrieval

arxiv url: http://arxiv.org/abs/2608.28283v1
Date: Fri, 28 Aug 2026 12:47:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-31 17:16:04.333492
Title: Embedding Models for Stance-Aware Argument Retrieval
Title（参考訳）: 文節検索のための埋め込みモデル
Abstract要約: この2つの評価を組み込んだセマンティックサーチの基盤として, 密着型埋め込みモデル(以下, モデル)がいかに機能するかを示す。既存のモデルは非対称な推論に苦しむことを示し、指導的姿勢を無視しながら、話題の重複に対して強い偏見を示す。そこで本研究では,この現象の定量化とデータ中心の解法を提案する。
参考スコア（独自算出の注目度）: 16.736290000291188
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In computational argumentation, obtaining arguments that explicitly support or attack given claims is a critical precursor to downstream reasoning tasks. When these supporting and attacking arguments are to be retrieved using semantic search methods, they need to be assessed for topic-relevance to the claims of interest as well as for correctness of their (positive or negative) stance towards the claims. In this paper we explore how dense embedding models (hereafter, models), powering modern retrieval pipelines, can serve as the basis of semantic search incorporating this dual assessment. We show experimentally that existing models struggle with asymmetric reasoning, exhibiting a strong bias toward topical overlap while ignoring instructional stance. We also show that correcting this bias via contrastive training triggers a new failure mode where models over-correct, over-fixating on polarity keywords (e.g., "supports" or "refutes") at the expense of the semantic topic. We thus introduce diagnostic word-ablation metrics to quantify this phenomenon and propose a data-centric solution. By implementing a balanced argument curriculum alongside LLM-augmented, stance-inverted arguments, we force the (embedding) models to learn deeper directional logic rather than exploiting superficial lexical shortcuts. Our evaluation demonstrates that, for sufficiently powerful models, this approach can alleviate the observed overcorrection, achieving further improvements in stance-aware argument retrieval.
Abstract（参考訳）: 計算議論において、与えられたクレームを明示的に支持または攻撃する引数を取得することは、下流の推論タスクにとって重要な先駆者である。これらの支持的・攻撃的議論が意味探索法を用いて検索される場合、関心の主張に対する話題関連や、主張に対する(肯定的・否定的な)姿勢の正当性について評価する必要がある。本稿では, この二重評価を取り入れたセマンティックサーチの基盤として, 最新の検索パイプラインの高密度埋め込みモデル(以下, モデル)がいかに機能するかを考察する。既存のモデルは非対称な推論に苦しむことを示し、指導的姿勢を無視しながら、話題の重複に対して強い偏見を示す。また、このバイアスを対照的なトレーニングによって修正することで、セマンティックトピックを犠牲にして、極性キーワード(例えば、"サポート"や"再利用"など)のモデルが過度に修正され、過度に修正されるような、新たな障害モードが引き起こされることも示しています。そこで本研究では,この現象の定量化とデータ中心の解法を提案する。 LLM拡張された姿勢逆論法とともにバランスの取れた議論カリキュラムを実装することで、表面的な語彙的ショートカットを活用せず、より深い方向論理を学習するよう(埋め込み)モデルを強制する。評価の結果, 十分強力なモデルでは, 観測された過補正を緩和し, スタンス・アウェア・引数検索のさらなる改善が期待できることがわかった。

関連論文リスト

CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching [50.65932158912512]
そこで我々は,新しい大言語モデルの開発を促進するために,因果推論ベンチマークCausalFlipを提案する。 CaulFlipは、イベントトリプル上に構築された因果判断の質問で構成されており、共同創設者、チェーン、コライダーの関係が異なっている。回答のみのトレーニング,明示的なチェーン・オブ・ソート監視,そして内在型因果推論アプローチなどを含む,複数の訓練パラダイムによるLCMの評価を行った。
論文参考訳（メタデータ） (2026-02-23T18:06:15Z)
Analyzing Reasoning Consistency in Large Multimodal Models under Cross-Modal Conflicts [74.47786985522762]
テキスト慣性(textual inertia)と呼ばれる重要な障害モードを特定し、矛盾する視覚的証拠を無視しながら、モデルは間違ったテキストに盲目的に固執する傾向がある。本稿では,多種多様なLMMの推論連鎖に摂動を構造的に注入するLogicGraph摂動プロトコルを提案する。その結果,10%未満の症例で自己修正が成功し,主に視覚的テキスト誤りの伝播に寄与することが判明した。
論文参考訳（メタデータ） (2026-01-07T16:39:34Z)
From Harm to Help: Turning Reasoning In-Context Demos into Assets for Reasoning LMs [58.02809208460186]
デモとしてDeepSeek-R1の高品質なトレースを使って、このパラドックスを再検討する。デモが最適であっても、より多くの例を加えることで、常に精度が低下することがわかった。デモを明示的で再利用可能な洞察に変換するシーケンシャルなテストタイム手順であるInsight-to-solve(I2S)を紹介します。
論文参考訳（メタデータ） (2025-09-27T08:59:31Z)
Can LLMs Judge Debates? Evaluating Non-Linear Reasoning via Argumentation Theory Semantics [24.173784986846687]
我々はCAT(Computational Argumentation Theory)からLarge Language Models (LLMs) を推定できるかどうかを評価する。我々はQuADセマンティクスを用いて、攻撃とサポートの関係に基づいて、アクセプティビリティスコアを引数に割り当てる。
論文参考訳（メタデータ） (2025-09-19T08:10:32Z)
A Closer Look at Bias and Chain-of-Thought Faithfulness of Large (Vision) Language Models [58.32070787537946]
思考の連鎖(CoT)推論は、大きな言語モデルの性能を高める。大規模視覚言語モデルにおけるCoT忠実度に関する最初の総合的研究について述べる。
論文参考訳（メタデータ） (2025-05-29T18:55:05Z)
Causality can systematically address the monsters under the bench(marks) [64.36592889550431]
ベンチマークはさまざまなバイアス、アーティファクト、リークに悩まされている。モデルは、調査の不十分な障害モードのため、信頼できない振る舞いをする可能性がある。因果関係はこれらの課題を体系的に解決するための理想的な枠組みを提供します
論文参考訳（メタデータ） (2025-02-07T17:01:37Z)
Unsupervised dense retrieval with conterfactual contrastive learning [16.679649921935482]
そこで本研究では,高密度検索モデルの高感度化により,高密度検索モデルのロバスト性を向上させることを提案する。この文脈での感度を達成するモデルは、クエリとの関連性を決定するドキュメントのキーパスが修正されたときに高いばらつきを示すべきである。因果関係と反事実分析に動機付け, 一連の反事実正則化手法を提案する。
論文参考訳（メタデータ） (2024-12-30T07:01:34Z)
Critical-Questions-of-Thought: Steering LLM reasoning with Argumentative Querying [0.3659498819753633]
State-of-the-art Large Language Model (LLM) は論理的および数学的推論を行う際にも苦戦している。本稿では、議論論に関する文献からの批判的質問の概念を利用し、特にトゥールミンの議論モデルに焦点を当てる。これらの重要な質問を取り入れることで,LLMの推論能力が向上することを示す。
論文参考訳（メタデータ） (2024-12-19T18:51:30Z)
"Let's Argue Both Sides": Argument Generation Can Force Small Models to Utilize Previously Inaccessible Reasoning Capabilities [0.8999666725996974]
本稿では,モデルに推論能力の活用を強制する手法として,Argument Generationを提案する。提案手法では,可能な各推論結果に対する引数の生成と,生成した引数のランク付けをエンドモデルに依頼する。
論文参考訳（メタデータ） (2024-10-16T19:49:30Z)
Rethinking harmless refusals when fine-tuning foundation models [0.8571111167616167]
本研究では,Large Language Models (LLMs) における微調整が,望ましくない振る舞いを隠蔽するだけでなく,効果的に緩和する程度について検討する。ここでは、モデルが推論トレースの生成を止めるか、最終的なアウトプットの非倫理的な性質を損なうような倫理的推論トレースを生成するかのどちらかである。
論文参考訳（メタデータ） (2024-06-27T22:08:22Z)
Logical Satisfiability of Counterfactuals for Faithful Explanations in NLI [60.142926537264714]
本稿では, 忠実度スルー・カウンタファクトの方法論について紹介する。これは、説明に表される論理述語に基づいて、反実仮説を生成する。そして、そのモデルが表現された論理と反ファクトの予測が一致しているかどうかを評価する。
論文参考訳（メタデータ） (2022-05-25T03:40:59Z)

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。