論文の概要: INDRA: A New AI Tool for Exploring Tobacco, Fossil Fuel, and Chemical Industry Archives
- arxiv url: http://arxiv.org/abs/2609.11261v1
- Date: Thu, 10 Sep 2026 08:55:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.274303
- Title: INDRA: A New AI Tool for Exploring Tobacco, Fossil Fuel, and Chemical Industry Archives
- Title（参考訳）: INDRA: タバコ、化石燃料、化学産業アーカイブを探索するAIツール
- Abstract要約: INDRAは、考古学の慣習を全ての出力を管理するシステムレベルのプロトコルに組み込むプラットフォームである。
クローズドオープンサンドボックスは、モデルをユーザ選択コーパスに閉じ込める。
リアルタイムの証明タグ付けは、考古学的証拠とパラメトリック推論の境界を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Five decades of litigation have disgorged hundreds of millions of pages of formerly secret business records from the tobacco industry, along with documents from the makers of drugs, chemicals, food, firearms, and fossil fuels. Yet these archives have been effectively inaccessible to general-purpose large language models (LLMs) because they have never been compiled into an LLM-readable corpus. Chatbots may be familiar with some of the materials contained in such archives but, with no direct access to the documents, they are vulnerable to hallucination and other defects. Here we introduce INDRA, a research platform designed to remedy such failures by embedding the conventions of archival historiography into a system-level protocol governing every output. The platform federates UCSF's Industry Documents Library, Columbia and CUNY's ToxicDocs, Stanford's SRITA, and other heretofore siloed collections, and provides three interlinked safeguards: (1) a closed evidentiary sandbox confines the model to a user-selected corpus, blocking retrieval from external sources that could introduce bias; (2) real-time provenance tagging marks the boundary between archival evidence and parametric inference; and (3) a system-level protocol enforced by deterministic scripts guides the structure of every output. Together these safeguards prevent the model from conflating "the documents say X" with "I think X" or "I learned X from prior training." The result is an LLM-powered research partner enabling massive multi-archival investigations, a tool whose outputs are designed to be checked rather than trusted, and whose architecture makes the conditions of knowledge production visible and auditable. Three case studies demonstrate the method's analytical value and limitations, including what we call the Heraclitus effect, the steppingstone dilemma, and the gullibility (or mafia) problem.
- Abstract（参考訳）: 50年に及ぶ訴訟で、タバコ業界から数億ページもの秘密のビジネス記録が削除されたほか、医薬品、化学物質、食品、銃器、化石燃料のメーカーが入手した文書も削除された。
しかし、これらのアーカイブはLLM対応コーパスにコンパイルされることはなかったため、汎用の大規模言語モデル(LLM)には事実上アクセスできない。
チャットボットは、これらのアーカイブに含まれるいくつかの資料に精通しているが、文書に直接アクセスできないため、幻覚やその他の欠陥に対して脆弱である。
本稿では,すべての成果を規定するシステムレベルのプロトコルに考古学的歴史学の慣習を組み込むことにより,このような失敗を解消する研究プラットフォームであるINDRAを紹介する。
このプラットフォームはUCSFの産業文書図書館、コロンビア大学とCUNYのToxicDocs、スタンフォードのSRITAなどのサイロ化コレクションを連携させ、(1)クローズドクローズドなサンドボックスがユーザー選択コーパスにモデルを閉じ込め、バイアスを発生させる外部ソースからの検索をブロックし、(2)リアルタイムなプロパガンスタグ付けは、アーカイブ証拠とパラメトリック推論の境界をマークし、(3)決定論的スクリプトによって強制されるシステムレベルのプロトコルは、すべての出力の構造をガイドする。
これらのセーフガードは、モデルが"X"を"X"や"Xを事前の訓練から学んだ"と混同することを防ぐ。
その結果、LLMを利用した研究パートナーは、大規模なマルチアーキバル調査を可能にし、アウトプットは信頼性ではなく、チェックするように設計され、アーキテクチャによって知識生産の状況が可視化され、監査可能である。
3つのケーススタディは、ヘラクリタス効果(英語版)、段石ジレンマ(英語版)、およびゲージ可能性(またはマフィア)問題を含む方法の分析値と限界を実証する。
関連論文リスト
- From Document Silos to Process Intelligence: A Multi-Layer Knowledge Graph for CMC Process Development [0.07646713951724012]
本稿では,プロセス開発文書の異種コーパスを問合せ可能な2層知識グラフに変換するモジュール型エージェントAIプラットフォームを提案する。
検索拡張世代(RAG)システムのプロプライエタリデータへの展開忠実度を測定する新しい3層プロトコルを用いて,語彙層の評価を行った。
論文 参考訳（メタデータ） (2026-09-10T12:59:04Z) - Code as Representation: A Compilable Parsing Paradigm for Academic Documents [50.40789738182074]
Compilable Academic Document Parsing (CADP)は、コンテキストラプラス実行可能なPythonとして全ページを再構築するパラダイムである。
テキストと複数のSAEタイプを含む全学術ページのエキスパート検証ベンチマークであるCADP-Benchを紹介する。
その結果、フロンティアモデルでさえも、高忠実度で実行可能な再構築を行うのに苦戦していることがわかった。
論文 参考訳（メタデータ） (2026-08-18T09:10:43Z) - Towards Safer RAG: Only Agents Capable of System 2 Thinking may Access Untrusted Documents [0.0]
Retrieval-Augmented Generation (RAG) は大規模言語モデルの性能を大幅に向上させた。
RAGは、検索された文書の誤報がモデルの最終的な出力に影響を与えるような、知識汚染攻撃に弱い。
我々は,信頼性の低い文書にアクセス可能なシステム2推論能力を持つエージェントにのみ,厳格なセキュリティ原則を提案する。
論文 参考訳（メタデータ） (2026-08-17T21:37:20Z) - XScientist: A Git-Like Research Protocol for Long-Running Autonomous Scientific Discovery [1.1923076571060318]
XScientistは、自律的な研究システムのためのgitライクな研究プロトコルとオペレーティングシステムである。
アイデア生成、実験実行、原稿のドラフト、自己レビュー、修復、品質保証、デーモンスケジューリング、アーティファクトを、継続的に監視可能なパイプラインとしてオーケストレーションする。
Agent-Native Research Artifactプロトコルをエクスポートし、探索DAG、ノード毎のコードと出力、クレーム・ツー・エビデンス・アンカー、コンテンツハッシュ、証明、再実行フックを記録する。
論文 参考訳（メタデータ） (2026-07-14T03:20:11Z) - WILDTRACE: Benchmarking Natural Evidence Trails in Long-Context Reasoning [63.9071746889252]
長い文書に複雑な質問を答えるには、ソース自体が遠くの通路に自然に分散する証拠を統合する必要がある。
この情報源と内部の証拠の統合は、現実世界の長期文書分析の中心であるが、既存のベンチマークはそのほとんどを横取りしている。
WILDTRACEは, 自然発生の214個の長形音源に対する481個のタスクのベンチマークである。
論文 参考訳（メタデータ） (2026-07-10T12:09:21Z) - Deterministic Integrity Gates for LLM-Assisted Clinical Manuscript Preparation: An Auditable Biomedical Informatics Architecture [0.3823356975862005]
検証を伴うアーキテクチャペア生成を3つの原則に基づいて記述する。
この決定論的な分割は、整合性のある分類として組織化され、中核的な貢献である。
MedSci Skillsは、43のスキルのオープンソースツールキットで、21の決定論的階層を持ち、3つのパブリックデータセットパイプラインで評価されている。
論文 参考訳（メタデータ） (2026-06-08T13:51:04Z) - Beyond Memory: A Templated Substrate for Heterogeneous Collaborative Knowledge Work with LLM Agents [0.0]
本稿では,再利用可能なエージェント認識インスタンスであるllm-wiki-Memory-templateを提案する。
これは3つの軸に沿って働く異種共同知識の基盤である。
wikiはコンベンションによって追加のみであり、何がうまくいかなかったかを保存している。
論文 参考訳（メタデータ） (2026-05-29T15:34:14Z) - AdversarialCoT: Single-Document Retrieval Poisoning for LLM Reasoning [115.3243260783674]
Retrieval-augmented Generation (RAG) は、外部文書を取得することにより、大きな言語モデル(LLM)推論を強化する。
攻撃者が悪意のあるコンテンツを検索コーパスに注入するRAGにおける知識ベース中毒攻撃について検討した。
AdversarialCoTは、コーパス内の1つのドキュメントだけを毒化するクエリ固有の攻撃である。
論文 参考訳（メタデータ） (2026-04-14T02:10:23Z) - You Have Been LaTeXpOsEd: A Systematic Analysis of Information Leakage in Preprint Archives Using Large Language Models [1.0268444449457959]
衛生がなければ、投稿者はオープンソースインテリジェンスを使って敵が収穫できる機密情報を開示することができる。
我々は,10万件のarXiv提出資料から1.2TB以上のソースデータを解析し,初版アーカイブの大規模セキュリティ監査を行った。
我々は,研究コミュニティとレポジトリオペレーターに,これらの隠れたセキュリティギャップを埋めるために直ちに行動するよう促す。
論文 参考訳（メタデータ） (2025-10-04T10:03:17Z) - WebWeaver: Structuring Web-Scale Evidence with Dynamic Outlines for Open-Ended Deep Research [73.58638285105971]
本稿では,AIエージェントが膨大なWebスケール情報を洞察に富むレポートに合成しなければならない複雑な課題であるtextbfopen-ended Deep Research (OEDR) に取り組む。
人間の研究プロセスをエミュレートする新しいデュアルエージェントフレームワークである textbfWebWeaver を紹介する。
私たちのフレームワークは、DeepResearch Bench、DeepConsult、DeepResearchGymなど、主要なOEDRベンチマークにまたがる最先端の新たなベンチマークを確立しています。
論文 参考訳（メタデータ） (2025-09-16T17:57:21Z) - Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。
AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。
結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
論文 参考訳（メタデータ） (2025-07-22T06:37:51Z) - GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。
FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
論文 参考訳（メタデータ） (2022-04-12T03:49:35Z)
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。