論文の概要: Financial Evidence Crowding: Diagnosing and Mitigating Constraint-Induced Displacement in Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2609.35782v1
• Date: Thu, 06 Aug 2026 09:12:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.247357
• Title: Financial Evidence Crowding: Diagnosing and Mitigating Constraint-Induced Displacement in Retrieval-Augmented Generation
• Title（参考訳）: ファイナンシャルエビデンス・クラウド化:再検索型世代における制約による転位の診断と緩和
• Abstract要約: 得られたセットレベルの注文失敗を調査し、それを金融証拠集団と呼ぶ。 FinDeCrowd-Stressは一致した、互換性のない候補プールを通じて、この障害を分離する。 我々はFinDeCrowd-RAGを導入する。これは、固定関係スコアと型付き互換性と局所語彙競合を組み合わせた学習スコア補正である。
• 参考スコア（独自算出の注目度）: 4.993768489511845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-augmented generation (RAG) retrieves candidate evidence and sends only a limited top-ranked subset, the top-k context, to a generator. In financial question answering, passages can match a query's topic while conflicting with its period, segment, metric scope, or table scope. We study the resulting set-level ordering failure, which we call financial evidence crowding. FinDeCrowd-Stress isolates this failure through matched compatible and incompatible candidate pools while fixing the query, relevant evidence, ranking model, candidate count, and retrieval budget. On a FinDER test split containing companies unseen during training, incompatible pools reduce top-10 evidence inclusion (Recall@10) by 0.147 relative to equally difficult compatible pools. This gap shows that conflicting candidates consume limited context slots and displace answer-supporting evidence. We then introduce FinDeCrowd-RAG, a learned score correction that combines a fixed relevance score with typed compatibility and local lexical competition. A query-level identity gate applies the correction only when it predicts a better order; otherwise, it preserves the original ranking. On identical controlled candidates, FinDeCrowd-RAG raises top-10 evidence inclusion from 0.757 to 0.902 by recovering evidence already present in the candidate set. On a FinDER index built without query-specific candidate insertion, gated reranking raises this inclusion rate from 0.420 to 0.492, while top-100 retrieval coverage remains 0.743 by design. With a fixed generator, the same ordering change improves answer accuracy and citation recall on FinanceBench and FinQA. These results identify constraint-induced displacement as a measurable RAG evaluation target and show that identity-gated reranking can recover evidence already covered by first-stage retrieval.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG)は、候補エビデンスを検索し、限られたトップランクサブセット、トップkコンテキストのみをジェネレータに送信する。 財務的な質問応答では、パスはその期間、セグメント、メトリックスコープ、テーブルスコープと矛盾しながら、クエリのトピックにマッチする。 得られたセットレベルの注文失敗を調査し、それを金融証拠集団と呼ぶ。 FinDeCrowd-Stressは、クエリ、関連するエビデンス、ランキングモデル、候補数、検索予算を修正しながら、互換性のある非互換の候補プールを通じて、この障害を分離する。 トレーニング中に見つからない企業を含むFinDERテストスプリットでは、互換性のないプールは、同等に難しい互換性のあるプールと比較してトップ10のエビデンス(Recall@10)を0.147削減する。 このギャップは、対立する候補が限られたコンテキストスロットを消費し、回答を支持する証拠を無効にすることを示している。 次にFinDeCrowd-RAGを導入する。これは、固定関係スコアと型付き互換性と局所語彙競合を組み合わせた学習スコア補正である。 クエリレベルのIDゲートは、より良い順序を予測する場合にのみ修正を適用する。 同一の制御された候補について、FinDeCrowd-RAGは、候補セットにすでに存在する証拠を回収することにより、トップ10の証拠を0.757から0.902に含めている。 クエリ固有の候補を挿入せずに構築されたFinDERインデックスでは、gate re rankがこのインクルージョン率を0.420から0.492に引き上げ、トップ100の検索カバレッジは0.743のままである。 固定生成器では、同じ順序変更により、 FinanceBench と FinQA の回答精度と引用リコールが改善される。 これらの結果は, 拘束による変位を測定可能なRAG評価対象として同定し, 第一段階検索によって既にカバーされている証拠を再現できることを示す。

関連論文リスト

• EAVer: Long-Form Factuality Verification as an End-to-End Agentic Policy [50.665874114632]
  我々は、完全な応答レベルの検証ワークフローを統一ポリシーとして制御することを学ぶ、エンドツーエンドのエージェント検証であるEAVerを紹介する。 EAVerはセマンティック関連クレームをグループ化し、信頼に基づいた直接検証やターゲット検索にルートし、コンパクトなインコンテキストメモで検索によって返される証拠を保持する。
  論文  参考訳（メタデータ） (2026-09-02T21:00:35Z)
• When Agents Implement Systems: A Case Study in Defects, Detection, and Evaluation Rigor [0.0]
  本稿では,既存の詳細な仕様に対するマルチコンポーネントデータシステムを実装するエージェントのケーススタディを提案する。 制約違反と検出方法によって分類された5つの欠陥をカタログ化する。 回収予算は、2994段落のプール型コーパスに対して1～10件、100件で、選抜されたリコールは金段落に限れば3件の予算で天井に達する。
  論文  参考訳（メタデータ） (2026-09-02T01:43:09Z)
• CLAIR-Fin: An Adversarial Multi-Agent Framework for Claim-Level Verification and Adaptive Debate in Cross-Modal Financial QA [0.4417991658092448]
  CLAIR-Finは9エージェントのフレームワークで、各質問を型付き金融クレームレジャーで保持される原子クレームに分解する。 各クレームは、非対称エビデンス・オーソリティ、カストディーの連鎖検証、アダプティブ・リビュータル・サイクルを通じて解決される。 バングラデシュ銀行年報資料から設定した500のクロスモーダルファイナンス評価であるBB-FinQA-XのCLAIR-Finを評価する。
  論文  参考訳（メタデータ） (2026-08-13T18:59:41Z)
• What Would Fix This RAG Failure? Auditing Counterfactual Response with Paired Evidence Interventions [0.0]
  我々はPair-IDを紹介した。Pair-IDは1つのクエリ、検索状態、読み取り定数を格納し、次に2つの操作を横断する。 19,981のベンチマーククエリで11,105のQwen障害が特定され、SHA-256オーダーが1200を選択して、サンプリングされた応答を生成する。 その結果,ハッシュ選択された有資格障害サンプルにおいて有意な速度でエビデンスが発生し,観察された故障から部分的に予測可能であり,読者に条件付きであることが示唆された。
  論文  参考訳（メタデータ） (2026-08-09T22:43:27Z)
• CHSR-RRF: A curriculum-gated hybrid retrieval framework with reciprocal rank fusion and leakage-aware benchmarking for educational RAG [0.0]
  学校設定では、間違った主題、レベル、または検査の文脈から来た場合、パスは関係するが不適切である。 本稿では,メタデータの制約を適用したカリキュラム付きハイブリッド検索フレームワークCHSR-RRFについて述べる。
  論文  参考訳（メタデータ） (2026-07-14T04:50:17Z)
• F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
  大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。 この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。 このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。 本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-13T04:52:33Z)
• Lost in Decoding? Reproducing and Stress-Testing the Look-Ahead Prior in Generative Retrieval [48.348257016776195]
  生成検索(GR)は、文書識別子を自動回帰生成することで文書をランク付けする。 多くのGR法は三重遅延ビームサーチに依存しており、有限ビームデコードの下で関連する接頭辞の早期刈り取りに弱い。 生成検索の計画 Ahead in Generative Retrieval (PAG) は、同時復号法を用いて、その後の逐次復号を導く文書レベルのルックアヘッドを計算することで、この障害モードを緩和する。
  論文  参考訳（メタデータ） (2026-04-25T17:58:15Z)
• Can QPP Choose the Right Query Variant? Evaluating Query Variant Selection for RAG Pipelines [48.34524144147475]
  LLM(Large Language Models)は、現代の検索やRAG(Retrieval-Augmented Generation)パイプラインにおいて、クエリ再構成を至るところで実現している。 本稿では、アドホック検索とエンドツーエンドRAGをまたいで、クエリ性能予測(QPP)を異種選択のメカニズムとして検討する。
  論文  参考訳（メタデータ） (2026-04-24T15:36:40Z)
• PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering [57.89576196160413]
  大規模言語モデル (LLM) はマルチホップ質問応答 (MHQA) において脆弱のままである。 textbfPlanned Active Retrieval and Reasoning RAG (PAR$2-RAG)を提案する。
  論文  参考訳（メタデータ） (2026-03-30T23:52:54Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)

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。