論文の概要: Lit3R: Retrieve-Relate-Read for Evidence-Grounded Question Answering over Scientific Literature

• arxiv url: http://arxiv.org/abs/2609.16912v1
• Date: Tue, 15 Sep 2026 09:50:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.43651
• Title: Lit3R: Retrieve-Relate-Read for Evidence-Grounded Question Answering over Scientific Literature
• Title（参考訳）: Lit3R: 科学的文献にまつわる疑問に答える
• Abstract要約: 本稿では, tus-nlp の Lit3R (Retrieve-Relate-Read) システムについて述べる。 Lit3Rは、タスク固有のトレーニングなしで、オフザシェルフ検索、リグレード、および大きな言語モデル(LLM)コンポーネントを組み合わせる。 読者はまず個々の論文内の証拠を識別し、次に各論文にまたがる証拠を合成し、最終的な回答と証拠の痕跡を生成する。
• 参考スコア（独自算出の注目度）: 4.514081720659125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We describe tus-nlp's Lit3R (Retrieve-Relate-Read) system for LitTraceQA, a shared task for literature-grounded question answering that requires systems to retrieve relevant papers, identify supporting evidence, and generate answers. Lit3R combines off-the-shelf retrieval, reranking, and large language model (LLM) components without task-specific training. The retriever iteratively combines BM25-based sparse and dense retrieval, cross-encoder reranking, and LLM-based verification, and complements retrieval based on the question with paper-to-paper expansion. The reader first identifies supporting evidence within individual papers and then synthesizes evidence across papers to produce the final answer and evidence trace. On the official test set, our system ranked 4th on the leaderboard. Our code is available at https://github.com/tus-ist-nlp/littraceqa.
• Abstract（参考訳）: 本稿では,LitTraceQA における tus-nlp の Lit3R (Retrieve-Relate-Read) システムについて述べる。 Lit3Rは、タスク固有のトレーニングなしで、オフザシェルフ検索、リグレード、および大きな言語モデル(LLM)コンポーネントを組み合わせる。 検索者は、BM25ベースのスパースと密集検索、クロスエンコーダのリランク、LCMベースの検証を反復的に組み合わせ、その質問と紙間展開を補完する。 読者はまず個々の論文の中で支持された証拠を識別し、次に論文全体で証拠を合成し、最終的な回答と証拠の痕跡を生成する。 公式なテストセットでは、私たちのシステムはリーダーボードで4位でした。 私たちのコードはhttps://github.com/tus-ist-nlp/littraceqa.comで公開されています。

関連論文リスト

• LitTraceQA: A Benchmark for Multi-Stage Grounding and Verification in Scientific Question Answering [30.616598264585203]
  本稿では,学術論文に対する文献的回答のベンチマークであるLitTraceQAを紹介する。 研究質問と論文のメタデータプールが与えられた場合、システムは3つの接続された出力を返す必要がある。 我々は4,859枚のユニークなゴールド・ペーパーの4,978枚のユニーク・クエスト・レコードを用いて、より大規模な最終アノテーション・コレクションを解析した。
  論文  参考訳（メタデータ） (2026-08-07T16:11:52Z)
• ReContext: Recursive Evidence Replay as LLM Harness for Long-Context Reasoning [78.94047086588078]
  長文推論のための LLM Harness として再帰的証拠を提案する。 長文推論を改善するための訓練不要推論法である。 128Kのコンテキスト長を持つ8つの長文データセットの実験は、エビデンスの利用を一貫して改善していることを示している。
  論文  参考訳（メタデータ） (2026-07-02T17:59:26Z)
• ACL-Verbatim: hallucination-free question answering for research [1.1852769462463206]
  抽出質問応答システムVerbatimRAGをACLアンソロジーの研究論文に適用する。 研究論文において,ユーザクエリを関連テキストスパンにマッピングするタスクに対して,新たな基底真理データセットを提供する。 人間のアノテーションはNLP研究者によって実行され、カスタムパイプラインを使用して生成された合成ユーザクエリに基づいている。
  論文  参考訳（メタデータ） (2026-05-20T12:30:29Z)
• IntrAgent: An LLM Agent for Content-Grounded Information Retrieval through Literature Review [10.586701795115609]
  IntrAgentは、情報検索のために文学を読むときの人間の行動を模倣するように設計されている。 関連するセクションを特定し、キーの詳細を反復的に抽出して、検索した情報を精査する。 IntrAgentは最先端のRAGや研究エージェントのベースラインよりも13.2%高いドメイン間精度を実現している。
  論文  参考訳（メタデータ） (2026-04-23T01:55:08Z)
• 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)
• LitSearch: A Retrieval Benchmark for Scientific Literature Search [48.593157851171526]
  我々は,最近のMLおよびNLP論文に関する597のリアルな文献検索クエリからなる検索ベンチマークLitSearchを紹介する。 LitSearchのすべての質問は、高品質を保証するために専門家によって手作業で検査または編集された。 BM25と最先端の高密度リトリーバーの間には,24.8%の絶対差がみられた。
  論文  参考訳（メタデータ） (2024-07-10T18:00:03Z)
• Attribute or Abstain: Large Language Models as Long Document Assistants [58.32043134560244]
  LLMは人間が長い文書を扱うのを助けることができるが、幻覚で知られている。 既存の属性に対するアプローチはRAG設定でのみ評価されている。 これは、検索が不要な長いドキュメント設定とは大きく異なるが、助けになる可能性がある。 そこで本研究では,6種類の多種多様文書タスクのベンチマークであるLABと,異なる大きさの5つのLLMに対する属性に対する異なるアプローチの実験を行う。
  論文  参考訳（メタデータ） (2024-07-10T16:16:02Z)
• LLatrieval: LLM-Verified Retrieval for Verifiable Generation [67.93134176912477]
  検証可能な生成は、大きな言語モデル(LLM)がドキュメントをサポートするテキストを生成することを目的としている。 本稿では,LLatrieval (Large Language Model Verified Retrieval)を提案する。 実験により、LLatrievalは幅広いベースラインを著しく上回り、最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2023-11-14T01:38:02Z)
• Query Rewriting for Retrieval-Augmented Large Language Models [139.242907155883]
  大規模言語モデル(LLM)は、検索対象のパイプラインで強力なブラックボックスリーダーを動作させる。 この作業では、検索拡張LDMに対する以前の検索テーマ読み込みの代わりに、新しいフレームワークであるRewrite-Retrieve-Readを導入する。
  論文  参考訳（メタデータ） (2023-05-23T17:27:50Z)
• Visconde: Multi-document QA with GPT-3 and Neural Reranking [4.9069311006119865]
  本稿では,複数の文書にまたがる証拠を裏付ける質問に回答できる質問応答システムを提案する。 Viscondeと呼ばれるこのシステムは、3ステップのパイプラインを使ってタスクを実行する。
  論文  参考訳（メタデータ） (2022-12-19T17:39:07Z)
• Generate rather than Retrieve: Large Language Models are Strong Context Generators [74.87021992611672]
  本稿では,文書検索を大規模言語モデル生成器に置き換えることで,知識集約型タスクを解く新しい視点を提案する。 我々は,提案手法をgenRead (genRead) と呼び,まず大きな言語モデルに対して,与えられた質問に基づいて文脈文書を生成し,次に生成された文書を読み出して最終回答を生成する。
  論文  参考訳（メタデータ） (2022-09-21T01:30:59Z)

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。