論文の概要: When Evidence Changes the Subject: Subject-Typed Claim Licensing for Learned Routing

• arxiv url: http://arxiv.org/abs/2609.33505v1
• Date: Sun, 27 Sep 2026 12:15:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 16:12:44.899263
• Title: When Evidence Changes the Subject: Subject-Typed Claim Licensing for Learned Routing
• Title（参考訳）: 主題が変化するときの証拠:学習的ルーティングのための主観的クレームライセンシング
• Abstract要約: 複合システムには第2の次元、すなわち科学的主題が必要であると我々は主張する。 この問題に対処するために、要求対象に関するより弱い結論を、他の対象に関する肯定的かつ非代替的な信用から分離する、主観的クレームライセンシング(subject-typed claim license)を用いて対処する。
• 参考スコア（独自算出の注目度）: 8.518659405077218
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern learned systems increasingly combine learned components with search, repair, or external solvers. Benchmarks often measure the resulting end-to-end system, while scientific claims may concern only one component, creating an attribution problem: evidence can fail to support the requested component-level claim while still supporting a positive conclusion about the larger system. Existing evidence-to-claim methods primarily calibrate claim strength. We argue that composite systems require a second dimension: scientific subject. We address this problem with subject-typed claim licensing, which separates weaker conclusions about the requested subject from positive but non-substitutive credit about another subject. We instantiate this idea in SCOPE-Routing for preference-conditioned multigraph routing. Non-authors reproducibly apply the declared semantics; held-out review yields fewer reference-relative upward deviations than unstructured review, while the difference from a strong evidence checklist remains unresolved; and a controlled routing study shows that score-optimal and claim-eligible methods can differ while valid hybrid-system credit is preserved. These results motivate treating claim strength and scientific subject as distinct dimensions of evidence-based evaluation.
• Abstract（参考訳）: 現代の学習システムは、学習したコンポーネントを探索、修復、あるいは外部解決器と組み合わせる傾向にある。 ベンチマークはしばしば結果のエンドツーエンドシステムを測定するが、科学的主張は1つのコンポーネントだけを懸念し、帰属問題を生み出す:証拠は要求されたコンポーネントレベルのクレームをサポートしないが、より大きなシステムに関する肯定的な結論を支持している。 既存のエビデンス・ツー・クレームの手法は、主にクレームの強度を校正する。 複合システムには第2の次元、すなわち科学的主題が必要であると我々は主張する。 この問題に対処するために、要求対象に関するより弱い結論を、他の対象に関する肯定的かつ非代替的な信用から分離する、主観的クレームライセンシング(subject-typed claim license)を用いて対処する。 我々は、設定条件付きマルチグラフルーティングのためのSCOPE-Routingでこのアイデアをインスタンス化する。 非著者は、宣言されたセマンティクスを再現的に適用し、ホールドアウトレビューは、非構造化レビューよりも参照相対的な上向き偏差を少なくし、強いエビデンスチェックリストとの違いは未解決のままであり、制御されたルーティング研究は、ハイブリットシステムクレジットが有効に保存されている間に、スコア最適化とクレーム許容の方法が異なることを示している。 これらの結果は、主張力と科学的主題を証拠に基づく評価の異なる次元として扱う動機となっている。

関連論文リスト

• When benchmark inferences do not compose: Projectibility in AI evaluation [0.0]
  AIベンチマークの結果が1ステップで連続的なクレームに達することはめったにない。 評価者はそれをさらなるケースに一般化し、能力の証拠として解釈し、新しいタスクに外挿し、他のシステムやサイトへ輸送する。 保証リンクは保証チェーンを自動的に作らない。
  論文  参考訳（メタデータ） (2026-07-28T18:07:04Z)
• HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
  我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。 HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。 報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-27T23:50:46Z)
• DeepSciVerify: Verifying Scientific Claim--Citation Alignment via LLM-Driven Evidence Escalation [39.146761527401424]
  本稿では,科学的クレーム引用検証のための2段階パイプラインであるDeepSciVerifyを紹介する。 このシステムはまず, 要約を用いてクレームを検証し, 必要な場合にのみ全文を検索, 解析する。
  論文  参考訳（メタデータ） (2026-05-26T21:33:29Z)
• When AI reviews science: Can we trust the referee? [73.47745294608072]
  私たちは、トレーニングとデータ検索、デスクレビュー、深いレビュー、反論、システムレベルといった、レビューライフサイクル全体のアタックをマップします。 評価スコアに高名度フレーミング, 断定力, 反抗薬効, 文脈中毒の因果効果を分離するために, 2つの高度なLCMベースの審判を用いた。
  論文  参考訳（メタデータ） (2026-04-26T08:03:32Z)
• Uncertainty-Aware Web-Conditioned Scientific Fact-Checking [7.158918759352649]
  本稿では,原子式述語・代名詞分解と校正・不確かさを主軸としたパイプラインについて述べる。 原子事実は、コンパクトなエビデンスグラウンドチェッカーによって検証された埋め込みを通じて、局所的なスニペットに整列される。 システムは二値分類と三値分類の両方をサポートし、三方向タスクのラベルをSupported, Refuted, NEIから予測する。
  論文  参考訳（メタデータ） (2026-04-13T06:01:20Z)
• 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)
• The Alignment Bottleneck in Decomposition-Based Claim Verification [17.197804072440665]
  我々は、時間的拘束力のある証拠と人間による注釈付きサブステートメント証拠を含む、現実世界の複雑なクレームのデータセットを新たに導入する。 サブステートアラインド・アライメント・エビデンス(SAE)と繰り返しクライム・レベル・エビデンス(SRE)という2つのアライメント・アライメント・セットアップの下での分解を評価する。 以上の結果から,エビデンスがきめ細やかで厳密に整合している場合にのみ,分解が大幅な性能向上をもたらすことが明らかとなった。
  論文  参考訳（メタデータ） (2026-02-11T00:02:16Z)
• 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)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)
• Topic-Aware Evidence Reasoning and Stance-Aware Aggregation for Fact Verification [19.130541561303293]
  本稿では,事実検証のための新たな話題認識型証拠推論とスタンス認識型アグリゲーションモデルを提案する。 2つのベンチマークデータセットで実施されたテストは、事実検証のためのいくつかの最先端アプローチよりも提案モデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-02T14:33:12Z)

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。