論文の概要: REPAIR: Resolving Long-Tail Confusion in Scientific Retrievers via Fact-Verified Iterative Refinement

• arxiv url: http://arxiv.org/abs/2609.18262v1
• Date: Wed, 16 Sep 2026 07:40:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.697238
• Title: REPAIR: Resolving Long-Tail Confusion in Scientific Retrievers via Fact-Verified Iterative Refinement
• Title（参考訳）: REPAIR:Fact-Verified Iterative Refinementによる科学的レトリバーの長期核融合の解消
• Abstract要約: 本稿では, 科学的高密度検索のための自己進化型データ拡張フレームワークを提案する。 我々の研究は、堅牢な科学的検索には、長期的障害に対するデータの診断と実効的な増大が不可欠であることを強調している。
• 参考スコア（独自算出の注目度）: 47.19398690224181
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise retrieval of scientific information is fundamentally constrained by long-tailed concepts and high fact-sensitivity of scientific corpora. These challenges often limit the effectiveness of dense retrievers and hallucination-prone LLM augmentation. To address this, we present REPAIR, a self-evolving data augmentation framework for scientific dense retrievers. REPAIR iteratively synthesizes training data to address knowledge gaps by cycling through diagnosis of long-tail concepts, API-guided evidence expansion, and differentiation via hard negative mining. This process effectively grounds retrieval in factual reality to resolve fine-grained distinctions. Extensive experiments demonstrate that REPAIR significantly outperforms 19 strong baselines on nine materials science and biomedical benchmarks. Our work highlights that diagnosing and factually augmenting data to long-tail deficits is essential for robust scientific retrieval.
• Abstract（参考訳）: 科学的情報の正確な検索は、科学的コーパスの長い尾のコンセプトと高い事実感度によって基本的に制限されている。 これらの課題は、高密度レトリバーと幻覚誘発性LDM増強の効果を制限することがしばしばある。 そこで本稿では, 科学的高密度検索のための自己進化型データ拡張フレームワークREPAIRを提案する。 REPAIRは、ロングテール概念の診断、APIガイダンスによるエビデンスの拡張、ハードネガティブマイニングによる差別を通じて、知識ギャップに対処するトレーニングデータを反復的に合成する。 このプロセスは、現実の検索を効果的に基礎にして、きめ細かい区別を解決する。 大規模な実験により、REPAIRは9つの材料科学とバイオメディカルベンチマークにおいて19の強いベースラインを著しく上回っていることが示された。 我々の研究は、堅牢な科学的検索には、長期的障害に対するデータの診断と実効的な増大が不可欠であることを強調している。

関連論文リスト

• Distilling Temporal Search and Reasoning: Evolving LLMs for Future Prediction via Harness-Assisted Efficient Data Synthesis [27.759177826493637]
  本稿では,各ターンで時間的カットオフを強制する時間トラクションハーネスを提案する。 我々のハーネスは自然に検索の時間的幅を拡大し、高品質なデータの割合を増大させることを示す。 実験により、ハーネス・インベンブド・データで訓練された学生が最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2026-07-28T10:35:20Z)
• On the Learning Dynamics of RLVR at the Edge of Competence [86.52481827737097]
  検証可能な報酬(RLVR)による強化学習は、大規模な推論モデルにおける最近のブレークスルーの主要な要因である。 コンポジション推論タスクにおける変圧器のRLのトレーニング力学の理論を開発する。
  論文  参考訳（メタデータ） (2026-02-16T16:03:08Z)
• CoT-Evo: Evolutionary Distillation of Chain-of-Thought for Scientific Reasoning [63.44477226386808]
  先進的な大規模言語モデル(LLM)からのCoT蒸留は、一般的な推論タスクにおいて有効であることが証明されている。 しかし、先進的なモデルでさえ、誤った、あるいは表面的な推論をしばしば生み出す科学領域では苦戦している。 この問題を解決するために, 進化的CoT蒸留フレームワークであるCoT-Evoを提案する。
  論文  参考訳（メタデータ） (2025-10-15T05:29:56Z)
• SimulRAG: Simulator-based RAG for Grounding LLMs in Long-form Scientific QA [35.02813727925432]
  大規模言語モデル (LLMs) は科学的問題の解決において有望であることを示す。 科学的な疑問に対する長文の回答を生成するのに役立ちます。 LLMは幻覚に悩まされることが多く、特に長期にわたる科学的な疑問応答の難しい課題に悩まされる。
  論文  参考訳（メタデータ） (2025-09-29T20:07:00Z)
• LOCA: Logical Chain Augmentation for Scientific Corpus Cleaning [3.2128468770849454]
  科学コーパスを自動浄化する新しいフレームワークであるLOCA(Logical Chain Augmentation)を紹介する。 LOCAの核心は、欠落した論理的なステップを完了し、基礎となる科学原理をその後の導出から明確に分離することで、生の答えを強化することである。 科学コーパスにLOCAを適用することで、ノイズの多いデータセットを自動的にフィルタリングし、エラー率を20%から2%以下に下げることを示した。
  論文  参考訳（メタデータ） (2025-09-24T10:04:26Z)
• End-to-End Agentic RAG System Training for Traceable Diagnostic Reasoning [52.12425911708585]
  Deep-DxSearchは、強化学習(RL)でエンドツーエンドに訓練されたエージェントRAGシステムである。 Deep-DxSearchでは,患者記録と信頼性のある医療知識情報を含む大規模医療検索コーパスを構築した。 実験により、エンドツーエンドのRLトレーニングフレームワークは、プロンプトエンジニアリングやトレーニングフリーなRAGアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-21T17:42:47Z)
• Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
  我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。 大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
  論文  参考訳（メタデータ） (2024-02-06T12:18:54Z)

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。