論文の概要: NativeScope: Relation-Localized Retrieval over Native Topology with a Correct Anchor
- arxiv url: http://arxiv.org/abs/2610.12243v1
- Date: Thu, 08 Oct 2026 16:21:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.161277
- Title: NativeScope: Relation-Localized Retrieval over Native Topology with a Correct Anchor
- Title（参考訳）: NativeScope: 正しいアンカーを持つネイティブトポロジに対するリレーショナルローカライズされた検索
- Abstract要約: NativeScopeは、既知のアンカーとリレーションを持つクエリのスコープ-then-rankメソッドである。
内部変種NS-FullQは同じ候補を完全な質問でランク付けする。
我々は200の制御された文書と記憶記録の双方について評価を行った。
- 参考スコア（独自算出の注目度）: 1.345015073321922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dense retrieval usually ranks text chunks by their semantic similarity to a question. This ignores structure that many data systems already store, including section membership, session boundaries, and native order. We propose NativeScope, a scope-then-rank method for queries with a known anchor and relation. It represents a query as q -> (A, r, B). The anchor A and relation r select native units through belonging, before, or after operators, and the target term B ranks only chunks that overlap the selected scope. An internal variant, NS-FullQ, ranks the same candidates with the full question. We evaluate both methods on 200 controlled document and memory records derived from QASPER and LongMemEval under a 1,024-token budget. NativeScope attains native-unit recall of 89.28 percent for documents and 72.50 percent for memories, improving over instance-wide Dense RAG by 42.75 and 22.00 percentage points. NS-FullQ reaches 87.78 percent and 68.50 percent; its differences from NativeScope are inconclusive, locating the primary gain in relational scoping rather than the shorter ranking query. With automatic Top-1 anchors, memory recall falls to 35.50 percent. NativeScope is therefore effective when anchor coordinates and native relations are reliable, but hard scoping inherits errors from the localization interface.
- Abstract（参考訳）: センス検索は通常、質問と意味的類似性によってテキストチャンクをランク付けする。
これは、多くのデータシステムがすでに格納している構造を無視している。
そこで我々はNativeScopeを提案する。NativeScopeは、既知のアンカーと関係を持つクエリのスコープ列法である。
q -> (A, r, B) のクエリを表す。
アンカーAとリレーションrは演算子を所有、前、後のいずれかで選択し、対象項Bは選択されたスコープと重なるチャンクのみをランク付けする。
内部変種NS-FullQは同じ候補を完全な質問でランク付けする。
QASPERとLongMemEvalから得られた200の制御された文書と記憶記録について1,024の予算で評価した。
NativeScopeは、ドキュメントの89.8%、メモリの72.50%のネイティブユニットリコールを獲得し、インスタンス全体のDense RAGを42.75ポイント、22.00ポイント改善している。
NS-FullQは87.78パーセント、68.50%に達し、NativeScopeとの違いは決定的ではない。
自動的なTop-1アンカーでは、メモリリコールは35.50%に低下する。
そのためNativeScopeは、アンカー座標とネイティブリレーションが信頼できる場合に有効であるが、ハードスコープはローカライズインターフェースからエラーを継承する。
関連論文リスト
- H2CE: Modeling Geo-Semantic Interactions for POI Reranking with Heterogeneous Two-Stage Cross-Encoders [50.334243169621175]
ローカル検索におけるPOI(Point-of-Interest)の再ランクは、クエリ条件付きトレードオフをモデル化する必要がある。
遅延バウンドPOIリグレードのための異種二段クロスエンコーダH2CEを提案する。
論文 参考訳（メタデータ） (2026-10-08T05:40:08Z) - GeoRefer-Bench: A Benchmark from Referring Pixels to Verifiable Geospatial Reasoning [9.23597146465202]
地理空間参照セグメンテーションの検証のためのベンチマークであるGeoRefer-Benchを紹介する。
GeoRefer-Benchは12.5および25cmの地中サンプリング距離で700の2048x2048 UAVシーン (2.94 Gpx)、26,217のインスタンス、142,796の空間関係、20,916の実行可能なクエリを含む。
独立した監査では、オブジェクトのジオメトリ、マスクのオーナシップ、関係値、クエリ実行、スプリットプロビデンスを再定義し、700のシーンすべてでゼロの問題を見つける。
論文 参考訳（メタデータ） (2026-08-25T17:58:47Z) - Mergeable Model-Side Aggregation States for Long-Context Language Models [6.1170189512684345]
長いコンテキスト言語モデルの制限として、コンテキスト長が増加するにつれて、非付加的、セットベースアグリゲーションにおける信頼できないパフォーマンスが知られている。
本稿では,HashベースのHyperLogLog(HLL)スケッチ状態を凍結言語モデルとともに保持するモデル側アグリゲーションインタフェースを提案する。
論文 参考訳（メタデータ） (2026-07-29T03:56:12Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - SCAR: Semantic Continuity-Aware Retrieval for Efficient Context Expansion in RAG [0.0]
SCAR(Semantic Continuity-Aware Retrieval)は、構造的連続性ペナルティに対してクエリ隣の関連性を重み付け、近隣のチャンクを拡張する適応型検索ポリシーである。
4つの多様なコーパス(RFC, 10-K レポート, Merger 契約; N=320 クエリ, 160 境界フラグメンテーション)において SCAR は,静的ウィンドウ処理 (10.16 チャンク) に比べて 22.9% 削減された。
論文 参考訳（メタデータ） (2026-06-15T12:55:49Z) - When More Documents Hurt RAG: Mitigating Vector Search Dilution with Domain-Scoped, Model-Agnostic Retrieval [2.8753422388037486]
Retrieval-augmentedジェネレーションは、大規模なドキュメントコレクションにスケールすると劣化する。
Top-k検索は意味的に似ているが、文脈的に正しくないチャンクを返す。
本稿では,MASDR-RAG(Multi-Agent Scoped Domain Retrieval for RAG)を提案する。
論文 参考訳（メタデータ） (2026-06-09T18:26:24Z) - Beyond Similarity Search: Tenure and the Case for Structured Belief State in LLM Memory [0.0]
クロスセッションメモリは状態管理の問題であり、検索の問題ではない。
テンチュアは、精度優先の検索を通じて、全てのLDMセッションにキュレートされたコンテキストを注入する。
論文 参考訳（メタデータ） (2026-05-11T23:22:36Z) - ELOQ: Resources for Enhancing LLM Detection of Out-of-Scope Questions [52.33835101586687]
本研究では,検索した文書が意味的に類似しているように見えるスコープ外質問について検討するが,答えるために必要な情報がない。
本稿では,閉経後の文書から多様なスコープ外質問を自動的に生成するための,幻覚に基づくELOQを提案する。
論文 参考訳（メタデータ） (2024-10-18T16:11:29Z) - DAMO-NLP at SemEval-2023 Task 2: A Unified Retrieval-augmented System
for Multilingual Named Entity Recognition [94.90258603217008]
MultiCoNER RNum2共有タスクは、細粒度でノイズの多いシナリオにおいて、多言語の名前付きエンティティ認識(NER)に取り組むことを目的としている。
MultiCoNER RNum1の以前のトップシステムは、ナレッジベースまたはガゼッタを組み込んでいる。
細粒度多言語NERのための統一検索拡張システム(U-RaNER)を提案する。
論文 参考訳（メタデータ） (2023-05-05T16:59:26Z) - Dynamic Focus-aware Positional Queries for Semantic Segmentation [94.6834904076914]
本稿では,動的焦点認識型位置情報クエリと呼ばれるセマンティックセグメンテーションのための,シンプルで効果的なクエリ設計を提案する。
我々のフレームワークはSOTAの性能を達成し、ResNet-50、Swin-T、Swin-Bのバックボーンによる1.1%、1.9%、および1.1%の単一スケールmIoUでMask2formerより優れています。
論文 参考訳（メタデータ） (2022-04-04T05:16:41Z)
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。