論文の概要: Return or Revise? Learning When Revision Helps Retrieval-Augmented QA

• arxiv url: http://arxiv.org/abs/2609.30087v1
• Date: Thu, 24 Sep 2026 16:35:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.114928
• Title: Return or Revise? Learning When Revision Helps Retrieval-Augmented QA
• Title（参考訳）: 復帰か修正か?リビジョンが検索機能強化のQAに役立ったときの学習
• Abstract要約: 我々は,既存の原案回答を返却するか,回収された証拠を用いて修正するかを判断する。 オフラインのトレーニングと評価では、返却されたドラフトと候補のリビジョンの両方を格付けする。 我々は、このペア効果をその回復可能性と呼び、修正前に予測するようにポリシーを訓練します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We consider the decision of whether to return an existing draft answer or revise it using retrieved evidence, as in answer-revision systems. Draft confidence estimates whether the current answer is correct, but the decision requires estimating the effect of a specified revision. For offline training and evaluation, we grade both the returned draft and its candidate revision under the same correctness judge, which makes repair, harm, and the gap to an oracle observable. We call this paired effect its recoverability, and we train policies to predict it before revision. On 25,870 held-out open-domain questions across three revision setups, a scorer trained on the paired outcome has greater area under the accuracy--revision-rate curve than a matched draft-correctness scorer in all nine Llama setup--seed fits, and gains 0.23--0.68 accuracy points on average at development-selected thresholds, a difference significant across training runs only for dense retrieval. The resulting policy improves on always revising and on average closes more than a third of the oracle gap, although it still applies 38--46% of the harmful revisions. When a draft-free standard-RAG answer is also available, however, choosing between the draft and that answer is stronger by about two points for Llama and four for OLMo, and adding candidate revision as a third option yields no significant gain. Recoverability describes one revision; its value as an available action also depends on the alternatives.
• Abstract（参考訳）: 我々は,既存の原案回答を返却するか,回収された証拠を用いて修正するかを,回答修正システムとして検討する。 ドラフト信頼度は、現在の回答が正しいかどうかを推定するが、決定には、特定の修正の効果を推定する必要がある。 オフラインのトレーニングと評価では、返却されたドラフトとその候補修正の両方を同一の正当性判定の下で評価し、修復、損傷、およびオラクルとのギャップを観察できる。 我々は、このペア効果をその回復可能性と呼び、修正前に予測するようにポリシーを訓練します。 3つのリビジョン設定にまたがる25,870のオープンドメイン質問では、ペア結果に基づいてトレーニングされたスコアは、Llamaセットアップシードの9つのフィッティングにおいて一致したドラフト正当性スコアラーよりも精度-修正率曲線よりも大きな領域を持ち、開発選択された閾値で平均0.23-0.68の精度ポイントを獲得し、トレーニング間で有意な差は密検索のためにのみ実行される。 結果として得られた政策は、常に修正され、平均してオラクルギャップの3分の1以上を閉じるが、有害な修正の38～46%は適用されない。 しかし、ドラフトフリーの標準RAG回答も利用可能であれば、Llamaの約2ポイントとOLMoの4ポイントによって、ドラフトとその回答の選択がより強くなり、第3の選択肢として候補リビジョンを追加することは、大きな利益をもたらすことはない。 回復可能性(Recoverability)には1つのリビジョンが記述されている。

関連論文リスト

• Same Scores, Different Decisions: Evaluating JEV and Language Models for Legal Document Understanding [65.85599131866623]
  私たちはJevとContractNLIの9つの言語モデルを比較します。 制御された比較は、仮説の可視性、要求された出力、および出力順序によって異なる。 Jevは、評価された構成の中で、最低コストと中央値のレスポンス時間を持っています。
  論文  参考訳（メタデータ） (2026-09-23T10:53:01Z)
• CREDO: Variance-Guided Rubric Evolution for Replay-Corrected Credit Assignment [0.0]
  セマンティックルーリックを選択的に実行ベースの信用補正と組み合わせたフレームワークであるCredoを提案する。 条件付き不偏性と2つの設計選択を結合する分散分解を導出する。 そこで本稿では,PPO実装のクリッピング化とトークン正規化を両立させ,その実装を理想的なポリシ・グラディエント推定器と区別する。
  論文  参考訳（メタデータ） (2026-09-21T06:43:58Z)
• CARE-VI: Conservative Adaptive Reliability Estimation for Value Improvement in Off-Policy Actor-Critic Learning [9.09344103114193]
  我々は、保守的適応ランク付け・スクリーニング(CARS)とセレクタ・評価値アセスメント(SEVA)を開発する。 DAREは、候補信頼性、セレクタと評価器信号のギャップ、および有限ステージ係数を用いて、各残差補正を規制する。 CARE-VIは、批評家のレグレッションとアクターのアップデートのためのバックボーンインターフェースを保存するエビデンス規制されたターゲット構築フレームワークである。
  論文  参考訳（メタデータ） (2026-09-17T11:59:43Z)
• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• RecurSE: Bounded Recursive Self-Evaluation for LLM Rubric Judges [48.831446371402414]
  RecurSEは、訓練可能な裁判官と同期されたポリシーコピーチェッカーをペアにして、裁判官のメタルーブリックに対する推論を監査し、スカラープロセスの報酬を提供する。 本稿では,RecurSEが医療,ペアワイド,要約,プロフェッショナルベンチマークにおいて一貫した一般化を実現していることを示す。
  論文  参考訳（メタデータ） (2026-08-25T08:35:04Z)
• Rethinking Self-Evolving Agent Skills: Feedback Dynamics over Multiple Rounds [43.5891705224868]
  自己進化型スキルシステムは、基礎となるモデルを変更することなく、実行フィードバックを永続的なスキル更新に変換することでエージェントを改善することを約束する。 5つのベンチマークと3つのモデルで制御された評価フレームワークを提案する。 全体として、永続的なスキルの自己進化は、モデル依存リターンとベンチマーク依存リターンを備えたスパース、バリデーションフィルタリング検索として理解されている。
  論文  参考訳（メタデータ） (2026-07-31T04:02:51Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• Reinforcement Learning for Large Language Model Selective Evidence Adoption from Contaminated Retrieval Results [3.9964880913101677]
  検索可能な拡張された大きな言語モデルは、誤解を招くステートメントや命令ライクなコンテンツと有用なエビデンスをインターリーブするコンテキストに直面します。 本稿では,選択的エビデンス導入のためのベンチマークとトレーニングセットであるSelectBenchと,DAPOを直接使用したQwen3.5-4Bについて紹介する。 修正された325例のSelectBench-v2テストセットでは、オリジナルのチェックポイントで22.46%から、DAPO-Ruleで25.54%、DAPO-DeepSeekで26.46%に厳格な成功を収めた。
  論文  参考訳（メタデータ） (2026-07-22T12:45:04Z)
• 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)

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。