論文の概要: Correspondences as Decisions: JevNexus for Decision-Centric Schema Matching

• arxiv url: http://arxiv.org/abs/2610.09487v1
• Date: Wed, 07 Oct 2026 05:42:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.739965
• Title: Correspondences as Decisions: JevNexus for Decision-Centric Schema Matching
• Title（参考訳）: 決定としての対応:JevNexus for Decision-Centric Schema Matching
• Abstract要約: JevNexusは型付きペアの意思決定とスキーマ/インスタンスのエビデンスを組み合わせたものだ。 証拠が一致せず、融合したマージンが小さい場合にのみ、リストワイズリファインメントを起動する。 評価は6つのベンチマークファミリーから591のケースを対象としている。
• 参考スコア（独自算出の注目度）: 14.924870208138374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Schema matching increasingly uses generative language models to rerank retrieved column candidates, although the underlying task is a bounded correspondence decision. We present JevNexus, which combines typed pairwise decisions with schema/instance evidence and invokes listwise refinement only when the evidence disagrees and the fused margin is small. The evaluation covers 561 cases from six benchmark families. JevNexus obtains dataset-macro MRR and Hits@1 of 0.930 and 0.909, compared with 0.926 and 0.903 for Magneto, while reducing mean latency from 123.452 to 15.929 seconds (7.750). Paired analysis finds no statistically significant difference in either MRR or Hits@1. The gate invokes listwise refinement for only 5.665% of source columns and avoids the degradation caused by unconditional refinement. Code and experimental artifacts are available at https://github.com/RazeenLI/JevNexus.
• Abstract（参考訳）: スキーママッチングは、検索された列候補を再帰するために生成言語モデルの利用が増えているが、基礎となるタスクは有界対応決定である。 JevNexusは、型付きペアによる決定とスキーマ/インスタンスのエビデンスを組み合わせることで、エビデンスと融合マージンが小さい場合にのみリストワイズ処理を実行する。 評価は6つのベンチマークファミリーから591のケースを対象としている。 JevNexus は 0.930 と 0.909 のデータセットマクロ MRR と Hits@1 を Mago の 0.926 と 0.903 と比較して取得し、平均レイテンシを 123.452 から 15.929 秒 (7.750) に短縮する。 ペアード分析では、MRRとHits@1のいずれにも統計的に有意な差はない。 ゲートはソースカラムの5.665%でリストワイズ処理を起動し、無条件精製による劣化を避ける。 コードと実験的なアーティファクトはhttps://github.com/RazeenLI/JevNexusで入手できる。

関連論文リスト

• UNREAL: Unifying Retrieval and Long-Context with a Single Model [45.720751719497535]
  長文推論と検索拡張生成(RAG)は、非常に異なるスケールでのエビデンス選択を扱う。 コーパス検索と長文推論を対象とするUNREAL(Unified Retrieval and Long-Context with a Single Model)を提案する。 UNREALはチャンクをエンコードし、冷凍LLMの内部表現から直接検索クエリを導出する。
  論文  参考訳（メタデータ） (2026-10-06T14:48:53Z)
• LOGIC: An LLM Benchmark for Intent-Grounded Change Impact in Aerospace Electrical Systems [0.6567875008573567]
  検出されたすべての違いを伝搬すると、非常に広範囲な影響レポートが生成される。 制御されたベンチマークおよび評価フレームワークであるLOGICを提案する。 LOGICには168のシナリオがあり、144のセレクションと24の棄権ケースが含まれている。
  論文  参考訳（メタデータ） (2026-10-06T01:14:09Z)
• Beyond Final-Token Classification: Heterogeneous Readouts for Evidence-Grounded Suicide Risk Detection [10.766937373263204]
  出力実現から意味的検証を分離するヘテロジニアス・リードアウト分解(HRD)を導入する。 HRDは、通常リスクの4つの潜伏スコアを比較し、ほとんどの要因に対してトークンマージンを保持し、一方の共有潜伏プローブを通して7つのラベルをルーティングする。 これらの結果は, セマンティック表現のみではなく, 解答境界を測定可能な誤差源として同定する。
  論文  参考訳（メタデータ） (2026-09-19T05:01:17Z)
• Measuring the Checker: Mutation Analysis for GPU-Kernel Benchmark Oracles [86.41218924166775]
  LLM生成のGPUカーネルのベンチマークは、ランダムな入力とゆるやかな浮動小数点耐性で正確性を決定する。 最近の研究は、これらのチェッカーは弱く、手動でパッチを当てることに同意している。 本稿では,カーネルベンチマークの精度指標として突然変異解析を導入する。
  論文  参考訳（メタデータ） (2026-09-02T10:30:05Z)
• Trust Before Fusion: QIMG-7 and Source-Aware Resolution for Polluted Multimodal RAG [45.88028371034407]
  マルチモーダル検索拡張生成(RAG)はクリーンなエビデンスで評価されることが多いが、真の検索は、トポロジー的に関係があるが信頼できないコンテンツを返すことができる。 本稿では,多文事実QAにおけるマルチモーダル検索汚染のベンチマークであるQIMG-7を紹介する。 そこで本研究では,Parametric, Text-only, Full-MM の候補解と比較した学習自由な手法として,SATRを提案する。
  論文  参考訳（メタデータ） (2026-07-12T15:13:09Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• vstash: Local-First Hybrid Retrieval with Adaptive Fusion for LLM Agents [0.0]
  ベクトル類似性検索と全文キーワードマッチングを組み合わせたローカルファーストの文書メモリシステム**vstash**を提案する。 すべてのデータはsqlite-vecを使って近傍の検索に近づき、FTS5でキーワードマッチングを行う単一のファイルに格納される。
  論文  参考訳（メタデータ） (2026-04-16T19:22:58Z)
• Sparse Regression under Correlation and Weak Signals: A Reproducible Benchmark of Classical and Bayesian Methods [1.6679662639178268]
  合成データに対する6つのスパース回帰法をベンチマークした。 ベイズ法は予測誤差(MSE 72 vs. 108-267)で勝利し、ホースシューは95%近くをカバーしている(94.8%)。 可変選択の場合、F1 0.47のラッソとスパイク・アンド・スラブのネクタイは、後部が不要な場合に事実上のデフォルトとなる。
  論文  参考訳（メタデータ） (2026-04-04T15:46:44Z)
• SelRoute: Query-Type-Aware Routing for Long-Term Conversational Memory Retrieval [0.0]
  SelRouteは、クエリタイプに基づいて、各クエリを専用のパイプラインにルーティングするフレームワークである。 LongMemEval_Mでは、bge-base-en-v1.5 (109Mパラメータ)で0.800、bge-small-en-v1.5 (109Mパラメータ)で0.786のRecall@5を達成する。 FTS5のみを使用したゼロMLベースラインは0.692のNDCG@5を達成する。
  論文  参考訳（メタデータ） (2026-04-02T18:02:59Z)
• DISCO: Diversifying Sample Condensation for Efficient Model Evaluation [59.01400190971061]
  コスト評価は傾向を低下させ、イノベーションのサイクルを遅くし、環境への影響を悪化させる。 モデル応答の多様性を最大化するサンプルを選択することが重要となる。 我々のメソッドである$textbfDiversifying Sample Condensation (DISCO)$は、最も大きなモデル不一致を持つトップkサンプルを選択します。
  論文  参考訳（メタデータ） (2025-10-09T08:53:59Z)
• TACRED Revisited: A Thorough Evaluation of the TACRED Relation Extraction Task [80.38130122127882]
  TACREDはリレーショナル抽出(RE)において最も大きく、最も広く使われているクラウドソースデータセットの1つである パフォーマンスの天井に到達したのか、改善の余地はあるのか? ラベルエラーは絶対F1テストエラーの8%を占めており、例の50%以上を可逆化する必要がある。
  論文  参考訳（メタデータ） (2020-04-30T15:07:37Z)

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。