論文の概要: Local-to-Global Sentence-Level Graph Reranking for Scientific Synthesis

• arxiv url: http://arxiv.org/abs/2608.30525v2
• Date: Mon, 07 Sep 2026 09:16:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-09 14:43:41.603073
• Title: Local-to-Global Sentence-Level Graph Reranking for Scientific Synthesis
• Title（参考訳）: 科学合成のための局所-Global文レベルグラフの再分類
• Abstract要約: LoG-Reranker(ローグ・リランカー)は、科学合成のための局所的にグローバルな文レベルグラフの分類フレームワークである。 LoG-Rerankerは競争力のあるリランカーを上回っている。
• 参考スコア（独自算出の注目度）: 12.614492516746168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented scientific synthesis aims to answer complex research questions by integrating information from multiple papers into comprehensive and well-grounded responses. Since the generator can only synthesize the information selected and organized by the reranker, the quality of the generated synthesis depends critically on the reranked results. However, most rerankers operate at the passage level, which leaves key methodological, empirical, and comparative information buried in long and flat contexts, weakening the grounding of generated claims. Moreover, existing rerankers mainly rely on independent query-candidate scoring which overlooks complementary, contextual, and contrasting relations across scientific candidates, limiting information coverage and the comprehensiveness of the resulting synthesis. To address these limitations, we propose LoG-Reranker, a local-to-global sentence-level graph reranking framework for scientific synthesis. LoG-Reranker performs role-aware local scoring to identify fine-grained, query-relevant sentences and then models their relations on a sentence graph across the candidate set to globally refine sentence rankings. Top-ranked sentences and their connected neighbors are organized into a structured input context for generator to produce more grounded and comprehensive synthesis. Extensive experiments on scientific synthesis and reranking benchmarks show that LoG-Reranker consistently outperforms competitive rerankers, yielding more reliable rankings and improving the quality of generated synthesis.
• Abstract（参考訳）: Retrieval-augmented scientific synthesisは、複数の論文からの情報を包括的でしっかりとした応答に統合することで、複雑な研究課題に答えることを目的としている。 ジェネレータはリランカによって選択・整理された情報のみを合成できるので、生成した合成の品質はリランカの結果に批判的に依存する。 しかし、ほとんどのリランカーはパスレベルで動作し、主要な方法論的、経験的、比較的な情報が長く平らな文脈に埋もれ、生成されたクレームの基盤が弱まる。 さらに、既存のリランカは、主に、科学的候補間の相補的、文脈的、コントラスト的な関係を無視する独立したクエリ候補スコア、情報カバレッジの制限、結果の合成の包括性に依存している。 これらの制約に対処するため,我々は,科学合成のための局所-言語文レベルグラフ更新フレームワークであるLoG-Rerankerを提案する。 LoG-Rerankerはロールアウェアな局所スコアを行い、細粒度でクエリ関連のある文を特定し、その関係を候補セット全体にわたる文グラフにモデル化し、世界規模の文ランキングを洗練させる。 上位の文とその接続された隣人は、より基底的で包括的な合成を生成するジェネレータのための構造化された入力コンテキストに編成される。 科学的合成と再ランクのベンチマークに関する大規模な実験は、LoG-Rerankerが競争的再ランクを一貫して上回り、より信頼性の高いランキングが得られ、生成された合成の品質が向上することを示している。

関連論文リスト

• DeepSynth-Eval: Objectively Evaluating Information Consolidation in Deep Survey Writing [53.85037373860246]
  本稿では,情報統合能力を客観的に評価するためのベンチマークであるDeep Synth-Evalを紹介する。 一般チェックリスト(実例)と制約チェックリスト(構造体)を用いたきめ細かい評価プロトコルを提案する。 その結果,エージェント型プラン・アンド・ライトは単ターン生成よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-01-07T03:07:52Z)
• SciRAG: Adaptive, Citation-Aware, and Outline-Guided Retrieval and Synthesis for Scientific Literature [52.36039386997026]
  我々は科学文献探索のためのオープンソースのフレームワークであるSciRAGを紹介する。 1) 逐次的証拠収集と並列的証拠収集を柔軟に交互に交互に行う適応的検索,(2) 引用グラフを利用して文書を整理・フィルタリングする引用型記号推論,(3) 整合性と透過的帰属性を確保するために回答を計画・批評・洗練するアウトライン誘導合成,である。
  論文  参考訳（メタデータ） (2025-11-18T11:09:19Z)
• Understanding the Influence of Synthetic Data for Text Embedders [52.04771455432998]
  まず,Wangらによって提案された合成データの再生と公開を行った。 合成データがモデル一般化をどのように改善するかを批判的に検討する。 本研究は, 汎用インバータ構築における, 現在の合成データ手法の限界を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-09-07T19:28:52Z)
• Retro-Rank-In: A Ranking-Based Approach for Inorganic Materials Synthesis Planning [1.3676986541298586]
  再合成は、より単純で容易に利用できる前駆体化合物から化学標的化合物の合成を戦略的に計画する。 Retro-Rank-Inは、標的材料と前駆物質を共有潜在空間に埋め込むことにより、レトロ合成問題を再構築する新しいフレームワークである。 我々はRetro-Rank-Inが新しい最先端、特にアウト・オブ・ディストリビューションの一般化と候補セットのランキングを定めていることを示す。
  論文  参考訳（メタデータ） (2025-02-06T18:34:37Z)
• SynthesizRR: Generating Diverse Datasets with Retrieval Augmentation [55.2480439325792]
  トピック分類,感情分析,トーン検出,ユーモアの6つのデータセットの合成について検討した。 その結果,SynthesizRRは語彙や意味の多様性,人文との類似性,蒸留性能を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2024-05-16T12:22:41Z)
• FusionRetro: Molecule Representation Fusion via In-Context Learning for Retrosynthetic Planning [58.47265392465442]
  再合成計画(Retrosynthetic Planning)は、開始物質から標的分子への完全な多段階合成経路を考案することを目的としている。 現在の戦略では、単一ステップの逆合成モデルと探索アルゴリズムの分離されたアプローチを採用している。 本稿では,文脈情報を利用した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:44:58Z)

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。