論文の概要: Do We Still Need Gazetteers in the Era of LLMs? Chaining Retrieval with a Spatial Neuro-Symbolic Index

• arxiv url: http://arxiv.org/abs/2610.05028v2
• Date: Tue, 06 Oct 2026 02:25:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.349799
• Title: Do We Still Need Gazetteers in the Era of LLMs? Chaining Retrieval with a Spatial Neuro-Symbolic Index
• Title（参考訳）: LLMの時代にはまだガゼッタは必要か? : 空間神経シンボリック指数による検索
• Abstract要約: 地理情報検索(GeoIR)タスクは、下流のアプリケーションに対して曖昧なトポニムを解釈するシステムを必要とする。 伝統的に、位相分解能は、場所の実体と空間関係の明示的な指標を提供するために、ガゼッタに依存している。 近年,手作り検索への依存を減らすために,ガゼテアフリーアプローチが試みられている。
• 参考スコア（独自算出の注目度）: 0.6226609932118123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geographic information retrieval (GeoIR) tasks require systems to interpret ambiguous toponyms for downstream applications. Traditionally, toponym resolution relies on gazetteers to provide an explicit index of place entities and spatial relationships. Recently, gazetteer-free approaches seek to reduce dependence on handcrafted searches: dense retrieval utilizes text encoders to capture rich context, moving beyond the limitations of lexical search. However, text encoders implicitly assume that learned representations can function as reliable spatial-semantic indexes. In this paper, we evaluate this assumption through a spatial-semantic indexing setup: given a contextualized toponym mention, we retrieve the corresponding gazetteer entity represented by text derived from a gazetteer knowledge graph. We benchmark five frozen text encoders under two retrieval strategies: brute-force nearest-neighbor retrieval over entity representations, and a neuro-symbolic hierarchical beam search that constrains retrieval (i.e. chaining the search with gazetteer hierarchy). Experimental results reveal a distinct coarse-versus-fine trade-off. Unconstrained dense retrieval frequently incurs catastrophic spatial errors. Conversely, hierarchical constraints improve coarse geographic grounding, but still yield limited benefit for fine-grained localization metrics: vanilla text encoders fail to capture the fine-scale spatial fidelity encoded in gazetteers. Our code is publicly available at: https://doi.org/10.25439/rmt.31094269
• Abstract（参考訳）: 地理情報検索(GeoIR)タスクは、下流のアプリケーションに対して曖昧なトポニムを解釈するシステムを必要とする。 伝統的に、位相分解能は、場所の実体と空間関係の明示的な指標を提供するために、ガゼッタに依存している。 密集検索はテキストエンコーダを用いてリッチなコンテキストを捕捉し、語彙検索の限界を越えている。 しかし、テキストエンコーダは、学習された表現が信頼できる空間意味指数として機能すると暗黙的に仮定する。 本稿では,この仮定を空間意味的索引付け設定により評価する。文脈的トポニムの言及が与えられた場合,ガゼテア知識グラフから得られたテキストで表される対応するガゼテアエンティティを検索する。 提案手法では, 実体表現に対するブラトフォース近傍検索と, 探索を制約するニューロシンボリック階層探索(すなわち, 探索をガゼテア階層でチェーンする)の2つの手法を用いて, 5つの凍結テキストエンコーダをベンチマークする。 実験結果から、粗い対極細なトレードオフが明らかとなった。 拘束されない高密度検索は、しばしば破滅的な空間誤差を引き起こす。 逆に、階層的制約は、粗い地理的接地を改善するが、それでも細かな局所化の指標に限定的な利益をもたらす:バニラテキストエンコーダは、ガゼテアで符号化された微細な空間的忠実度を捉えない。 私たちのコードは、https://doi.org/10.25439/rmt.31094269で公開されています。

関連論文リスト

• Sparse Coverage: Semantic Center Representations for Patent Prior-Art Retrieval [15.73941714079915]
  教師なしセマンティック検索フレームワークSparse Coverageを提案する。 スパース被覆は、局所的なスパン埋め込みを埋め込み空間中心のスパース語彙にマッピングする。 CLEF-IP 2013の実験では、スパースカバレッジは強力な高密度特許エンコーダの文書レベルのリコールと一致するか超えている。
  論文  参考訳（メタデータ） (2026-07-31T09:41:42Z)
• Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
  エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。 このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。 IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-05-03T19:13:11Z)
• VLM2GeoVec: Toward Universal Multimodal Embeddings for Remote Sensing [59.73939718087177]
  シングルエンコーダの視覚言語モデルは、統合ベクトル空間にインターリーブされた入力を埋め込むために対照的に訓練された。 VLM2GeoVecは、領域レベルの空間推論とスケーラブルな検索を統合し、リモートセンシングにおける凝集性多モード解析を可能にする。
  論文  参考訳（メタデータ） (2025-12-12T11:39:35Z)
• Beyond Nearest Neighbors: Semantic Compression and Graph-Augmented Retrieval for Enhanced Vector Search [2.377892000761193]
  本稿では,クエリの周囲のより広いセマンティック構造をキャプチャする,コンパクトで代表的なベクトル群を選択することを目的としたセマンティック圧縮という新しい検索パラダイムを提案する。 このアイデアを運用するために,ベクトル空間上に意味グラフ(kNNや知識ベースリンクなど)をオーバーレイするグラフ拡張ベクター検索を提案する。 本研究は,ハイブリットインデックス,多様性を考慮したクエリ,構造化セマンティック検索を重視した意味中心ベクトル探索システムの基礎を概説する。
  論文  参考訳（メタデータ） (2025-07-25T23:35:11Z)
• Dense X Retrieval: What Retrieval Granularity Should We Use? [56.90827473115201]
  しばしば見過ごされる設計選択は、コーパスが索引付けされる検索単位である。 本稿では,高密度検索のための新しい検索ユニット,命題を提案する。 実験により、提案のような細粒度単位によるコーパスのインデックス付けは、検索タスクにおける通過レベル単位を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-12-11T18:57:35Z)
• 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)

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。