論文の概要: EvidenT: Building Trustworthy Enterprise Assistants through Evidence Groundedness and Traceability

• arxiv url: http://arxiv.org/abs/2609.22537v1
• Date: Fri, 18 Sep 2026 19:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.87847
• Title: EvidenT: Building Trustworthy Enterprise Assistants through Evidence Groundedness and Traceability
• Title（参考訳）: EvidenT: 根拠とトレーサビリティによる信頼できるエンタープライズアシスタントの構築
• Abstract要約: EvidenT (T = Trust + Transparency + Traceability) は、回答生成の前に抽出された文書に対する証拠を検証する軽量パイプラインである。 約500の実際のエンタープライズクエリにおいて、EvidenTはベースラインのプロンプトよりも平均して29%のゴールドソースヒット率を改善する。
• 参考スコア（独自算出の注目度）: 2.7974959733586027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enterprise AI assistants must produce responses that are verifiable and traceable to source evidence. However, retrieval augmented generation (RAG) over heterogeneous enterprise data can suffer from citation drift, unsupported content, and weak source traceability. We present EvidenT (T = Trust + Transparency + Traceability), a lightweight pipeline that verifies extracted evidence against retrieved documents before answer generation, without model retraining. EvidenT combines structured passage extraction with deterministic lexical alignment to filter unsupported content, correct citation drift, and preserve source-span traceability. On approximately 500 real enterprise queries, EvidenT improves gold-source hit rate by an average of 29% over prompting baselines, produces no citations to nonretrieved urls, and achieves near-saturated answer-to-source lexical coverage.
• Abstract（参考訳）: エンタープライズAIアシスタントは、証拠の出典として検証可能で追跡可能な応答を生成する必要がある。 しかし、異種企業データに対する検索拡張生成(RAG)は、引用ドリフト、サポートコンテンツ、および弱いソーストレーサビリティに悩まされる可能性がある。 EvidenT (T = Trust + Transparency + Traceability) は,検索した文書に対する証拠を,モデルの再学習なしに検証する軽量パイプラインである。 EvidenTは、構造化された通過抽出と決定論的語彙アライメントを、フィルターなしの内容、正しい引用ドリフト、ソース・スパントレーサビリティに組み合わせる。 約500の実際のエンタープライズクエリにおいて、EvidenTはベースラインのプロンプトよりも平均29%のゴールドソースヒット率を改善し、未検索のURLへの引用を生成せず、ほぼ飽和した回答からソースへのレキシカルカバレッジを実現している。

関連論文リスト

• PURA: Provably Unbiased and Robust Multi-Bit Watermarking for AI-Generated Text Attribution [83.66032773976904]
  PURAは、テキスト属性に対する不偏で頑健なマルチビット透かし方式である。 PURAはトークンの確率を直接摂動するのではなく、鍵付き逆変換サンプリングによって潜在サンプリング空間にペイロードを埋め込む。 PURAは、高負荷体制において、既存の非バイアスベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2026-08-23T04:44:27Z)
• Evidence-Ledger Adjudication for Claim-Evidence Traceability [0.45743735246920414]
  本稿では,エビデンス・レジャーの判断,すなわちクレーム・エビデンス・トレーサビリティ・ワークフローについて検討する。 それぞれのクレームとエビデンスパケットをペアにし、サポート関係を割り当てる。 その結果,エビデンスリーダの判断は,異質なエビデンスパケットをAI支援書込みのための監査可能なトレーサビリティ層にすることができることがわかった。
  論文  参考訳（メタデータ） (2026-07-29T06:22:53Z)
• Beyond "What to Retrieve": Uncertainty in Retrieval-Augmented Code Generation [4.476374205849672]
  リポジトリレベルのコード生成は、その関連性、互換性、完全性が本質的に不確実である不均一な証拠に依存している。 我々は、ソース固有の不確実性を推定し、生成、検証、修復をガイドする不確実性認識フレームワークであるOpenCoderを紹介します。
  論文  参考訳（メタデータ） (2026-07-27T10:15:36Z)
• CiteAudit: You Cited It, But Did You Read It? A Benchmark for Verifying Scientific References in the LLM Era [51.63024682584688]
  大規模言語モデル (LLM) は新たなリスクを導入している。 本稿では,科学文献における幻覚的引用のための総合的なベンチマークおよび検出フレームワークについて紹介する。 我々のフレームワークは、精度と解釈可能性の両方において、先行手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-26T19:17:39Z)
• 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)
• Unstructured Evidence Attribution for Long Context Query Focused Summarization [53.08341620504465]
  固定粒度の場合よりも、より関連性が高く一貫した証拠を得るために、非構造的(すなわち任意の長さのスパン)な証拠を抽出することを提案する。 既存のシステムが、非構造的証拠をコピーし、適切に引用するのにどのように苦労しているかを示す。
  論文  参考訳（メタデータ） (2025-02-20T09:57:42Z)
• 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)
• Verifiable by Design: Aligning Language Models to Quote from Pre-Training Data [48.409306245463]
  事前学習データにおいて,信頼された情報源から動詞句を引用するモデルを構築した。 Quote-Tuningの中核は、信頼されたコーパスに対するテキストを効率的に検証する高速なメンバシップ推論機能である。 実験により、Quote-Tuningは、ベースモデルと比較して高品質なドキュメントからの動詞の引用を最大130%増加させることが示された。
  論文  参考訳（メタデータ） (2024-04-05T02:27:09Z)

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。