論文の概要: Retrieval Sensitivity to Identity Signals in Queries

• arxiv url: http://arxiv.org/abs/2609.36534v1
• Date: Tue, 29 Sep 2026 02:26:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.117164
• Title: Retrieval Sensitivity to Identity Signals in Queries
• Title（参考訳）: クエリにおけるアイデンティティ信号に対する検索感度
• Abstract要約: 実際のユーザがクエリで表現するアイデンティティ信号 - 政治的イデオロギーと弁証法 -- が、検索者が何を返すのかを問う。 我々は、政治ニュースと消費者健康問題という2つの領域で評価を設計し、それぞれが自然主義的な問合せを持つアイデンティティ信号だけを変える制御された合成セットをペアリングする。 5つの密集したレトリバーとスパースベースラインにまたがって、各レトリバー(i)は、クエリの政治的傾向に沿った記事を取得し、(ii)アフリカ系アメリカ人言語(AAL)で書かれた質問に対して、ホワイト・メインストリーム・イングリッシュ(WME)よりも悪い結果をもたらす。
• 参考スコア（独自算出の注目度）: 13.014838743955956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dense retrievers decide which documents reach users and the language models that use them, yet they are typically evaluated with neutral queries. We ask whether the identity signals that real users express in their queries---political ideology and dialect---bias what a retriever returns. We design evaluations in two domains, political news and consumer-health questions, each pairing a controlled synthetic set that varies only the identity signal with naturalistic queries. Across five dense retrievers and a sparse baseline, every retriever (i) retrieves articles that align with the query's own political lean and (ii) performs worse for questions written in African American Language (AAL) than in White Mainstream English (WME). Two analyses tie these gaps to queries' identity signals beyond surface vocabulary: partialling out an aggregate lexical-asymmetry score leaves the synthetic gaps largely intact, and linear probes recover lean and dialect from the retrievers' query embeddings beyond token-level features. Left unaddressed, such retrieval biases risk contributing to polarization and reinforcing the health disparities already faced by AAL speakers. Code is available at https://github.com/Andrewtcr/bias-ret.
• Abstract（参考訳）: デンスレトリバーは、どのドキュメントがユーザとそれを使用する言語モデルに届くかを決定するが、通常は中立的なクエリで評価される。 実際のユーザがクエリで表現するアイデンティティ信号 - 政治的イデオロギーと弁証法 -- が、検索者が何を返すのかを問う。 我々は、政治ニュースと消費者健康問題という2つの領域で評価を設計し、それぞれが自然主義的な問合せを持つアイデンティティ信号だけを変える制御された合成セットをペアリングする。 5つの高密度レトリバーとスパースベースライン、各レトリバー 一 質問の自己の政治傾向と整合した記事を取り出すこと。 (II)アフリカ系アメリカ人言語(AAL)で書かれた質問に対して、ホワイト・メインストリーム・イングリッシュ(WME)で書かれた質問に対してより悪い結果をもたらす。 2つの分析は、これらのギャップを、サーフェスボキャブラリを超えたクエリのアイデンティティ信号に結びつける: 集約された語彙非対称性スコアを部分化することは、合成ギャップをほとんど無傷に残し、線形プローブは、トークンレベルの特徴以上のクエリ埋め込みからリーンと方言を回復する。 このような発見バイアスは、AAL話者がすでに直面している健康格差を緩和し、偏極に寄与するリスクを負う。 コードはhttps://github.com/Andrewtcr/bias-ret.comで入手できる。

関連論文リスト

• FaLCon: Facet-Anchored Retrieval with Late Consensus for Sim2Real Text-Based Person Anomaly Search [0.8609344172589112]
  テキストベースの人物異常検索では、詳細な自然言語記述から現実世界の歩行者画像を取得する必要がある。 このSim2Real設定は、視覚的に類似した候補が微妙なアクション、オブジェクトのインタラクション、外観属性でのみ異なる可能性があるため、特に難しい。 本稿では,大域的意味マッチングと細粒度検証を組み合わせたアンカー制約付き粗粒度検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-10T11:42:52Z)
• R$^3$AG: Retriever Routing for Retrieval-Augmented Generation [59.47703698994575]
  R$3$AGは、検索機能を2つの学習可能なディメンション、すなわち検索品質と生成ユーティリティに分解する。 R$3$AGは、最高の個々のレトリバーと最先端の静的ルーティングメソッドの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-22T06:51:20Z)
• Improving Neural Retrieval with Attribution-Guided Query Rewriting [3.1153758106426603]
  明確でないクエリやあいまいなクエリは、関係するドキュメントが存在する場合でも、ランク付けを誤って行うことができる。 本稿では,トークンレベルの説明を用いた帰属誘導型クエリ書き換え手法を提案する。 結果の書き直しは、強いベースライン上での検索効率を一貫して改善する。
  論文  参考訳（メタデータ） (2026-02-12T11:34:06Z)
• Text-to-SPARQL Goes Beyond English: Multilingual Question Answering Over Knowledge Graphs through Human-Inspired Reasoning [51.203811759364925]
  mKGQAgentは、自然言語の質問をSPARQLクエリに変換し、モジュール化された解釈可能なサブタスクに変換するタスクを分解する。 2025年のText2SPARQLチャレンジにおいて、DBpediaとCorporateベースのKGQAベンチマークに基づいて評価され、私たちのアプローチは、他の参加者の中で第一に行われました。
  論文  参考訳（メタデータ） (2025-07-22T19:23:03Z)
• Promote, Suppress, Iterate: How Language Models Answer One-to-Many Factual Queries [24.906758097101143]
  1対多の事実クエリに答えるためには、言語モデル(LM)が同時に知識をリコールし、以前の回答を繰り返すことを避ける必要がある。 複数のデータセット、モデル、プロンプトテンプレートにまたがって、プロモート・then-suppressメカニズムを同定する。 我々は、LMの内部コンポーネントが、複雑な事実リコールをサポートするために異なる入力トークンとどのように相互作用するかについて、新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-02-27T19:23:15Z)
• Redefining Information Retrieval of Structured Database via Large Language Models [10.117751707641416]
  本稿では,ChatLRと呼ばれる新しい検索拡張フレームワークを提案する。 主に、Large Language Models (LLM) の強力な意味理解能力を用いて、正確かつ簡潔な情報検索を実現する。 実験の結果、ChatLRがユーザクエリに対処する効果を示し、全体の情報検索精度は98.8%を超えた。
  論文  参考訳（メタデータ） (2024-05-09T02:37:53Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• UnifieR: A Unified Retriever for Large-Scale Retrieval [84.61239936314597]
  大規模な検索は、クエリを与えられた巨大なコレクションから関連ドキュメントをリコールすることである。 事前学習型言語モデル(PLM)に基づく最近の検索手法は,高密度ベクターあるいはレキシコンに基づくパラダイムに大別することができる。 本論文では,高密度ベクトルとレキシコンに基づく検索を2つの表現能力を持つ1つのモデルで統合する学習フレームワークUnifieRを提案する。
  論文  参考訳（メタデータ） (2022-05-23T11:01:59Z)
• Adversarial Retriever-Ranker for dense text retrieval [51.87158529880056]
  本稿では、二重エンコーダレトリバーとクロスエンコーダローダからなるAdversarial Retriever-Ranker(AR2)を提案する。 AR2は、既存の高密度レトリバー法より一貫して大幅に優れている。 これには、R@5から77.9%(+2.1%)、TriviaQA R@5から78.2%(+1.4)、MS-MARCO MRR@10から39.5%(+1.3%)の改善が含まれている。
  論文  参考訳（メタデータ） (2021-10-07T16:41:15Z)

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。