論文の概要: Semantic Views: Certified Reuse of LLM Labels Across Semantic Queries

• arxiv url: http://arxiv.org/abs/2610.12768v1
• Date: Thu, 08 Oct 2026 22:19:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.299827
• Title: Semantic Views: Certified Reuse of LLM Labels Across Semantic Queries
• Title（参考訳）: セマンティックビュー:セマンティッククエリ全体にわたるLLMラベルの認定再利用
• Abstract要約: SemViewsは、セマンティックビューによって順序で信号を再利用する認証セマンティックフィルタである。 ユーザの精度とリコール目標を満足し、各ワークロードに対して最低で1ドル以上の確率を持つ。 725,000レコードのオラクルラベルに対してリプレイされた4つのワークロードでは、SemViewsは99.63%のクエリで両方のターゲットを満たす。
• 参考スコア（独自算出の注目度）: 13.479797240184553
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Semantic query engines evaluate natural-language filters with a large language model, and every evaluation is a costly oracle call. Optimizers that reduce these calls face a dilemma: cascades that trust a cheap proxy miss their precision and recall targets on many queries, methods with finite-sample guarantees save little, and all of them discard the oracle's labels when the query ends. We present SemViews, a certified semantic filter that orders tuples by signals that cost no oracle calls (the labels that earlier queries left behind as semantic views, a local embedding, and a helper model's score), refines that order with labels it must pay for anyway, and certifies its answer with fresh stratified oracle samples. The answer meets user precision and recall targets with probability at least $1-δ$ for every workload and every catalog, so a stale or misleading view can cost oracle calls but never accuracy. On four workloads replayed against 725,000 recorded oracle labels, SemViews meets both targets on 99.63% of queries and saves 28%-45% of the oracle calls, whereas the only prior method in our study with the same guarantee needs 1.32x-1.71x as many calls. When a question returns in different words, views cut its calls by a further 27%-36%, with both targets met on at least 99.8% of such queries; similarity caches and entailment-based reuse meet them on only 17%-47%.
• Abstract（参考訳）: セマンティッククエリエンジンは、大きな言語モデルで自然言語フィルタを評価し、全ての評価は高価なオラクルコールである。 安価なプロキシを信頼するカスケードは、正確さを逃し、多くのクエリのターゲットをリコールする。 SemViewsという認証済みセマンティックフィルタは、セマンティックビュー、ローカル埋め込み、ヘルパーモデルのスコアとして過去のクエリが残っていたラベル)を使わずにタプルを注文する。 答えはユーザの精度とリコール目標を、すべてのワークロードとカタログに対して少なくとも1-δ$の確率で満たします。 725,000のオークルラベルに対してリプレイされた4つのワークロードでは、SemViewsはクエリの99.63%で両方のターゲットを満たし、オークルコールの28%-45%を節約する。 ある質問が別の言葉で返されるとき、ビューはその呼び出しを27%-36%削減し、両方のターゲットは少なくとも99.8%のクエリで満たされた。

関連論文リスト

• SchemaFill: Efficient LLM Tool Calling via Slot-Parallel Speculative Decoding [84.95922754288466]
  LLMFillは、自動回帰復号よりもエンドツーエンドのスループットを最大4.05$times$改善する。 GlaiveとBFCLでは、Fillは自動回帰デコーディングよりもエンドツーエンドのスループットを最大4.05$times$改善する。
  論文  参考訳（メタデータ） (2026-10-05T12:22:34Z)
• Difficulty-Gated Fusion of Reasoning Views for Temporal Retrieval [22.82938587928396]
  推論集約的な時間的検索は、共有時間的推論に依存している文書とクエリをマッチングする必要がある。 そこで本研究では,問合せに難渋した推論ビューの融合を提案する。
  論文  参考訳（メタデータ） (2026-08-09T22:31:49Z)
• MASTOR: A Multi-Agent Approach to Semantic Test Oracle Generation for RESTful APIs [8.248920932579876]
  既存の自動APIテストアプローチは、単純なチェックに依存している。 実装ソースコードに基づくAPIのためのセマンティックテストオラクルを生成するためのマルチエージェントアプローチであるMASTORを提案する。
  論文  参考訳（メタデータ） (2026-06-09T06:35:21Z)
• Cooperative Memory Paging with Keyword Bookmarks for Long-Horizon LLM Conversations [2.6382975801439836]
  セグメントは最小限のキーワードのブックマークに置き換えられ、モデルはオンデマンドで全コンテンツを取得するリコール()ツールが与えられる。 LoCoMoベンチマークでは、コラボレーティブページングは、トランケーション、BM25、ワードオーバーラップ検索、検索ツールベースライン、フルコンテキストの6つのメソッドの中で、最も高い回答品質を達成する。 次に、境界戦略と消去政策(3,176個の合成プローブ、1,600個のLoCoMoプローブ)に対する5×4のアブレーションでページング設計空間を研究する。
  論文  参考訳（メタデータ） (2026-04-14T07:06:35Z)
• SmartSearch: How Ranking Beats Structure for Conversational Memory Retrieval [0.0]
  SmartSearchは完全に決定論的パイプラインを使用して、生の非構造化会話履歴から検索する。 SmartSearchはLoCoMoで93.5%、LongMemEval-Sベンチマークで88.4%を達成した。
  論文  参考訳（メタデータ） (2026-03-16T17:53:21Z)
• MemReward: Graph-Based Experience Memory for LLM Reward Prediction with Limited Labels [32.633330452668766]
  グラフベースのエクスペリエンスメモリフレームワークであるMemRewardを紹介する。 最初のLCMポリシーは、各クエリに対するロールアウトを生成し、それぞれが思考プロセスと最終回答から構成される。 ラベル付きノードでトレーニングされたGNNは、オンライン最適化中にラベルなしのロールアウトに対して報酬を伝達する。
  論文  参考訳（メタデータ） (2026-03-13T18:00:16Z)
• ImpliRet: Benchmarking the Implicit Fact Retrieval Challenge [50.93758649363798]
  Impliretは、推論の課題をドキュメント側処理にシフトするベンチマークである。 我々は,この環境下で苦戦している,疎水・密集したレトリバーの幅を評価した。
  論文  参考訳（メタデータ） (2025-06-17T11:08:29Z)
• See, Say, and Segment: Teaching LMMs to Overcome False Premises [67.36381001664635]
  この課題を解決するために,LMMのカスケードと共同学習手法を提案する。 得られたモデルでは、画像中に物体が存在するかどうかを検知し、その物体が存在しないかをユーザに「例」し、最終的に、対象物のマスクを出力することで「分類」を行う。
  論文  参考訳（メタデータ） (2023-12-13T18:58:04Z)
• How to Query An Oracle? Efficient Strategies to Label Data [59.89900843097016]
  機械学習におけるデータセットのラベル付けに専門家の託宣を照会する際の基本的な問題について考察する。 本稿では,サンプルをラベル付けするために,ラウンド・バイ・ラウンドでランダム化されたバッチアルゴリズムを提案し,クエリレートが$O(fracNk2)$であることを示す。 さらに,適応型グリージークエリ方式を提案し,三重項クエリを用いたサンプルあたり平均$approx 0.2N$クエリを実現する。
  論文  参考訳（メタデータ） (2021-10-05T20:15:35Z)

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。