論文の概要: CHASE: How Content Ecosystems Are Reshaped When Ranking Is the Only Target
- arxiv url: http://arxiv.org/abs/2608.30466v1
- Date: Mon, 31 Aug 2026 08:53:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.322381
- Title: CHASE: How Content Ecosystems Are Reshaped When Ranking Is the Only Target
- Title（参考訳）: CHASE: ランキングが唯一のターゲットであるとき、コンテンツエコシステムはどのように形を変えるか
- Abstract要約: 本稿では,Ranking Signal Exploitation (CHASE)の下でのコンテンツ均質化について紹介する。
固定LDMランキング信号に対する繰り返し最適化が、コンテンツ人口とコンテンツクリエーターが直面するインセンティブの両方を再構成できることを示す。
- 参考スコア（独自算出の注目度）: 1.5223740593989443
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative Engine Optimization (GEO) is increasingly used to improve content visibility in LLM-based retrieval systems, yet its population-level effects under repeated optimization remain poorly understood. We introduce Content Homogenization under rAnking Signal Exploitation (CHASE), a controlled simulation framework for studying how content ecosystems are reshaped when creators repeatedly adapt documents to an LLM ranking signal. We use ranking as a proxy for source visibility and validate this abstraction against citations in grounded generated responses, obtaining a rank-citation AUC of 0.853 $\pm$ 0.093 across six domains. CHASE then iterates ranking, feature discrimination, rewriting, and evaluation over 20 rounds across different domains. Quality-ranking alignment decreases in all six domains: from R0 to R20, the change in Spearman's rho ranges from -0.107 to -0.018, with a mean change of -0.068, which means documents closer to the ranking feature profile become less aligned with independently judged document quality over the simulation horizon. A random-target control has shown that it is associated with adaptation toward ranking-derived incentives rather than iterative rewriting alone. The resulting ecosystem dynamics are strongly domain-dependent. Together, these findings show how repeated optimization against a fixed LLM ranking signal can reshape both content populations and the incentives faced by content creators.
- Abstract（参考訳）: ジェネレーティブエンジン最適化(GEO)は、LLMベースの検索システムにおけるコンテンツの可視性向上にますます利用されているが、その繰り返し最適化による人口レベルの影響はよく分かっていない。
本稿では,lAnking Signal Exploitation (CHASE)の下でのコンテンツ均質化について紹介する。
6つのドメインで0.853$\pm$0.093のランク付けAUCを得るため、ソース可視性のためのプロキシとしてランク付けを使用し、この抽象化を基底生成応答の引用に対して検証する。
CHASEはその後、ランク付け、特徴識別、書き換え、異なるドメインにわたる20ラウンドの評価を繰り返す。
R0からR20までの6つの領域において、スピアマンのローの変化は-0.107から-0.018の範囲で減少し、平均値が-0.068となる。
ランダムターゲット制御は、反復的な書き換えのみではなく、ランキング由来のインセンティブへの適応に関連していることを示している。
結果として生じるエコシステムのダイナミクスはドメインに依存している。
これらの結果は,コンテンツ制作者が直面するコンテンツ人口とインセンティブの両面で,固定LDMランキング信号に対する繰り返し最適化がいかに可能かを示すものである。
関連論文リスト
- Matched Excess-Outranker Regularization for Candidate-Set Interference in Continual Knowledge Graph Embedding [32.598018815734335]
候補セット干渉を候補セット干渉として定式化し、Matched Excess-Outranker Regularization(MEOR)を導入する。
MEORは、スムーズな解答相対的新参者圧力とスコアブラインド、構造的に一致した古い参照を比較する。
歴史的一様平均相反ランク(MRR)は再生時0.0057で改善され、候補セット干渉は0.0055で、一方の95%下限は0.0052と0.0051である。
論文 参考訳（メタデータ） (2026-08-25T09:01:14Z) - A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。
A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
論文 参考訳（メタデータ） (2026-08-05T14:01:10Z) - Co-Evolving LLM Evaluators and Policies via DynamicRubric [67.2962847914162]
政策によって引き起こされたサンプルに対する評価者フィードバックによるポストトレーニングは、大きな言語モデルを改善するための主要なメカニズムとなる。
反応条件付き評価器であるDynamicRubricを提案する。
8Bバックボーンを用いた実験では、DynamicRubricは評価器のパフォーマンスを改善し、ベースラインよりも強力なポリシー管理を提供する。
論文 参考訳（メタデータ） (2026-07-22T12:35:40Z) - Benchmarking Patent Embeddings: A Multi-Task Evaluation of 22 Models Across Retrieval, Classification, and Clustering [0.0]
我々は,情報検索,分類,クラスタリングという3つのタスクに対して,事前学習した22の埋め込みモデルを評価する。
2つの結果は、一般的な知恵に疑問を投げかけている。
論文 参考訳（メタデータ） (2026-05-22T23:51:13Z) - What and When to Distill: Selective Hindsight Distillation for Multi-Turn Agents [70.6980022118038]
強化学習は、緩やかなタスク報酬からLLMエージェントを訓練することができるが、長期的なクレジット割り当ては依然として困難である。
既存の方法は、ステップごとの環境フィードバックを完全に活用することなく、軌道レベルの報酬やプロキシ信号に依存している。
環境重み付け学習フレームワークであるSERLを紹介する。
論文 参考訳（メタデータ） (2026-05-19T07:00:55Z) - F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。
この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。
このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。
本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-13T04:52:33Z) - Multi-Frequency Local Plasticity for Visual Representation Learning [0.40048696135519796]
本研究では,視覚認識におけるエンドツーエンドの勾配に基づく表現学習の欠如を補う構造的アーキテクチャバイアスについて検討する。
i) 固定多周波ガボルのF=7並列ストリームへの分解, (ii) ヘビアンとオジャの更新と反ヘビアンデコリレーションによるストリーム内競合学習, (iii) 現代のホプフィールド検索にインスパイアされた連想メモリモジュール。
論文 参考訳（メタデータ） (2026-04-09T18:30:47Z) - Distributional Open-Ended Evaluation of LLM Cultural Value Alignment Based on Value Codebook [50.10594064510559]
DOVEは、人文テキストとLLM出力を直接比較する分散評価フレームワークである。
DOVEは, ダウンストリームタスクと31.56%の相関を達成し, 高い信頼性を保ちながら, 文化ごとのサンプル500点程度の信頼性を維持した。
論文 参考訳（メタデータ） (2026-03-16T08:33:10Z) - SARM: LLM-Augmented Semantic Anchor for End-to-End Live-Streaming Ranking [49.109782956280064]
大規模なライブストリーミングレコメンデーションでは、リアルタイムサービス制約下での非定常コンテンツセマンティクスの正確なモデリングが必要である。
自然言語のセマンティックアンカーをランキング最適化に直接統合するエンドツーエンドのランキングアーキテクチャである textbfSARM を提案する。
SARMは完全にデプロイされており、毎日4億人のユーザにサービスを提供している。
論文 参考訳（メタデータ） (2026-02-10T04:15:53Z) - RAGSmith: A Framework for Finding the Optimal Composition of Retrieval-Augmented Generation Methods Across Datasets [0.0]
RAGSmithは、RAGを9つのテクニックファミリと46,080の実行可能なパイプライン構成上のエンドツーエンドアーキテクチャ検索として扱うフレームワークである。
我々は、ウィキペディア由来の6つのドメイン(Law, Finance, Medicine, Defense Industry, Computer Science)について、それぞれ100の質問を設計、解釈、長期回答のタイプで評価した。
RAGSmithは平均で+3.8%(ドメイン全体で+1.2%から+6.9%)、検索で+12.5%、世代で+7.5%である。
論文 参考訳（メタデータ） (2025-11-03T09:36:27Z) - Open-Source Agentic Hybrid RAG Framework for Scientific Literature Review [2.092154729589438]
本稿では,ハイブリッドRAGパイプラインを自律エージェント内にカプセル化するエージェントアプローチを提案する。
当社のパイプラインでは,PubMedやarXiv,Google Scholar APIから,バイオロジカルなオープンアクセスデータを収集しています。
Llama-3.3-70B エージェントが GraphRAG (クエリを Cypher for KG に変換する) または VectorRAG (スパースと高密度検索を組み合わせて再ランク付けする) を選択する
論文 参考訳（メタデータ） (2025-07-30T18:54:15Z) - Pistis-RAG: Enhancing Retrieval-Augmented Generation with Human Feedback [41.88662700261036]
RAGシステムは、セマンティックな関連性だけでは生成品質の向上を保証していない場合に制限に直面している。
我々は、LLMと人間の嗜好をよりよく整合させるために、コンテンツ中心のアプローチで設計された新しいRAGフレームワークであるPristis-RAGを提案する。
論文 参考訳（メタデータ） (2024-06-21T08:52:11Z)
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。