論文の概要: CiteGuard-RAG: A Validation-Centered AI System for Evidence-Grounded Question Answering
- arxiv url: http://arxiv.org/abs/2609.15830v1
- Date: Mon, 14 Sep 2026 16:30:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.511608
- Title: CiteGuard-RAG: A Validation-Centered AI System for Evidence-Grounded Question Answering
- Title（参考訳）: CiteGuard-RAG: 検証中心のAIシステム
- Abstract要約: CiteGuard-RAGは、根拠に基づく質問応答のための検証中心のAIシステムである。
システムはセマンティックレキシカル検索、引用制約付き生成、文レベルの接地検証、シングルパス再生を統合している。
CiteGuard-RAGは、コントロールされた住宅法データセット全体で400の質問に対して評価される。
- 参考スコア（独自算出の注目度）: 0.21748200848556343
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retrieval-augmented generation (RAG) can improve access to complex information; however, retrieving evidence alone does not ensure that answers are grounded, citation-valid, or appropriately refused. This paper introduces CiteGuard-RAG, a validation-centered AI system for evidence-grounded question answering. The system integrates hybrid semantic-lexical retrieval, citation-constrained generation, sentence-level grounding validation, and single-pass regeneration. Validation is used at runtime to determine whether a candidate answer should be accepted, refused, or regenerated before final delivery. CiteGuard-RAG is evaluated on 400 questions across a controlled housing-law dataset, PrivacyQA, and CUAD. In the controlled evaluation, it achieves 99.1% retrieval accuracy, 98.3% grounded-answer accuracy, and 98.3% citation validity, with no validation-detected hallucinations. Ablation results show that grounded-answer accuracy drops sharply when validation is removed, even when retrieval accuracy remains unchanged. External evaluation shows that while citation validity remains strong, evidence utilization, span alignment, and refusal calibration become harder under domain shift. These findings indicate that trustworthy RAG systems require explicit validation between retrieval and final answer delivery. CiteGuard-RAG provides a practical architecture for linking retrieval, generation, citation checking, abstention, and regeneration in high-stakes information access.
- Abstract（参考訳）: 検索拡張世代(RAG)は複雑な情報へのアクセスを改善することができるが、証拠の検索だけでは、答えが根拠づけられたり、引用無効になったり、適切に拒否されたりすることはない。
本稿では,検証中心のAIシステムであるCiteGuard-RAGを紹介する。
このシステムは、ハイブリッドセマンティックレキシカル検索、引用制約付き生成、文レベルの接地検証、シングルパス再生を統合している。
バリデーションは実行時に、候補の回答が最終配信前に受け入れられるか、拒否され、あるいは再生されるべきかどうかを決定するために使用される。
CiteGuard-RAGは、コントロールされた住宅ローンデータセット、プライバシQA、CUADで400の質問に対して評価される。
制御された評価では、99.1%の検索精度、98.3%の接地回答精度、98.3%の引用妥当性を達成し、検証された幻覚は検出されない。
アブレーションの結果, 精度が変わらず, バリデーションが除去された場合, グラウンドド・アンサーの精度は急激に低下することがわかった。
外的評価は、引用正当性は強く保たれるが、エビデンス利用、アライメントの幅、拒絶校正はドメインシフト時に困難になることを示している。
これらの結果から,信頼性の高いRAGシステムでは,検索と最終回答の間に明確な検証が必要であることが示唆された。
CiteGuard-RAGは, 検索, 生成, 引用チェック, 停止, 再生をリンクする実用的なアーキテクチャを提供する。
関連論文リスト
- MissDiag: Diagnostic Evaluation of Incomplete-Knowledge Robustness in KGQA and KG-RAG [22.23152742210271]
MissDiagは、KGQAおよびKG-RAGにおける不完全知識堅牢性の診断評価フレームワークである。
MissDiagは、エビデンスタイプ、システム応答、評価プロトコルによってロバストな変更を分解する。
論文 参考訳（メタデータ） (2026-08-19T03:28:11Z) - From Trajectories to Evidence: Auditable Experimental Records for Industrial Research Agents [47.678562263387214]
研究エージェントは、産業レコメンデーション設定において、多段階の機械学習実験をますます実施している。
生成されたアーティファクトは、サポートされないか、不完全かもしれないし、実行されたラウンドは無効かもしれないし、あるいは廃止されるかもしれないし、後の修正は、以前の発見を曖昧にするかもしれない。
本稿では,連続的アーティファクトのバウンダリ検証と実行後のクレーム資格を結合するエビデンス・グラウンド・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-05T13:37:38Z) - DS@GT ARC at LongEval: Citation Integrity and Factual Grounding in Scientific QA [0.0]
RAG QAシステムに適用した従来の自然言語評価指標と引用整合性の相違について検討する。
ベースラインおよびフロンティアモデルベンチマークRAG QAスコアに対して,CRAG(Corrective RAG)とCiteFixを用いた補正パイプラインの評価を行った。
信頼性の高いRAG QAの評価には厳格な回答の根拠を与える指標が必要であると提案する。
論文 参考訳（メタデータ） (2026-07-15T22:35:02Z) - Diagnosing Evidence Utilization in Long-Context and Retrieval-Augmented Language Models under Matched Evidence Conditions [0.0]
モデルはパラメトリックの先行情報から回答したり、存在する証拠を使わなかったり、関連するテキストを最終回答に変換することなく引用したりすることができる。
本稿では,エビデンス利用評価のための4条件診断プロトコルを提案する。
論文 参考訳（メタデータ） (2026-06-04T22:44:57Z) - Facet-Level Tracing of Evidence Uncertainty and Hallucination in RAG [8.18791900871137]
Retrieval-Augmented Generationは、検索された証拠の回答を根拠にして幻覚を減らすことを目的としている。
既存の評価は回答レベルの精度や通過レベルの正確さに重点を置いており、世代間の証拠の使用方法に関する限られた洞察を与えている。
本稿では、各入力質問を原子推論ファセットに分解するQAのためのファセットレベル診断フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-10T09:59:43Z) - PAVE: Premise-Aware Validation and Editing for Retrieval-Augmented LLMs [8.082352336629816]
PAVEは、根拠に基づく質問応答のための推論時検証層である。
検索されたコンテキストを質問条件のアトミックな事実に分解し、回答をドラフトし、抽出された前提によってそのドラフトがどの程度うまくサポートされているかをスコアし、ファイナライズ前に低サポート出力を更新する。
論文 参考訳（メタデータ） (2026-03-21T06:23:21Z) - VeriCite: Towards Reliable Citations in Retrieval-Augmented Generation via Rigorous Verification [107.75781898355562]
証拠を厳格に検証し,回答の帰属性を高めるために設計された,VeriCiteと呼ばれる新しいフレームワークを紹介する。
我々は,5つのオープンソースLCMと4つのデータセットを対象とした実験を行い,VeriCiteが回答の正しさを維持しつつ,引用品質を大幅に向上できることを実証した。
論文 参考訳（メタデータ） (2025-10-13T13:38:54Z) - VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。
セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。
平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
論文 参考訳（メタデータ） (2025-09-15T02:25:38Z) - Faithfulness-Aware Uncertainty Quantification for Fact-Checking the Output of Retrieval Augmented Generation [108.13261761812517]
本稿では,RAG出力における幻覚検出の新しい手法であるFRANQ(Fithfulness-based Retrieval Augmented Uncertainty Quantification)を紹介する。
本稿では,事実性と忠実性の両方に注釈を付したQAデータセットを提案する。
論文 参考訳（メタデータ） (2025-05-27T11:56:59Z) - Contrastive Learning to Improve Retrieval for Real-world Fact Checking [84.57583869042791]
ファクト・チェッキング・リランカ(Contrastive Fact-Checking Reranker, CFR)を提案する。
我々はAVeriTeCデータセットを活用し、証拠文書からの人間による回答とクレームのサブクエストを注釈付けする。
データセットの精度は6%向上した。
論文 参考訳（メタデータ） (2024-10-07T00:09:50Z) - From Relevance to Utility: Evidence Retrieval with Feedback for Fact Verification [118.03466985807331]
我々は、FVの関連性よりも、クレーム検証者が取得した証拠から導出する実用性に焦点を当てる必要があると論じる。
本稿では,エビデンス検索プロセスの最適化に,クレーム検証器からのフィードバックを取り入れたフィードバックベースのエビデンス検索手法(FER)を提案する。
論文 参考訳（メタデータ） (2023-10-18T02:59:38Z)
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。