Fugu-MT 論文翻訳(概要): Tracing and Taming Hallucinated Terms via Subsequence-Association Filtering and Breadth-Aware Selection for LLM Query Expansion

論文の概要: Tracing and Taming Hallucinated Terms via Subsequence-Association Filtering and Breadth-Aware Selection for LLM Query Expansion

arxiv url: http://arxiv.org/abs/2610.13810v1
Date: Fri, 09 Oct 2026 16:22:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-13 04:06:29.685138
Title: Tracing and Taming Hallucinated Terms via Subsequence-Association Filtering and Breadth-Aware Selection for LLM Query Expansion
Title（参考訳）: LLMクエリ拡張のためのサブシーケンス・アソシエーション・フィルタリングとBreadth-Aware Selectionによるハロゲン化項の追跡と処理
Abstract要約: 大規模言語モデル(LLM)は現在、クエリ拡張用語の標準ソースとなっているが、幻覚的だ。それらは存在しないエンティティと、ランク付けノイズを付加し、強力なレトリバーを傷つける非トピック用語を注入する。本稿では,幻覚のサブ・アソシエーションをベースとした,学習のない無知の手法を提案する。
参考スコア（独自算出の注目度）: 17.635451976994013
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large language models (LLMs) are now a standard source of query expansion terms but they hallucinate. They inject non existent entities and off-topic terms that add ranking noise and can hurt strong retrievers. Existing remedies such as corpus grounding, mutual verification and preference alignment treat hallucinated terms as an undifferentiated nuisance to be filtered by agreement heuristics, without a mechanistic account of why a given term appears or a principled criterion for how many terms to keep. We propose Subsequence-Association Filtered, breadth-aware query expansion (SAFE-QE), a training-free, retriever agnostic method that draws on the subsequence-association account of hallucination. We score each candidate expansion term by its corpus conditioned cross-context reproducibility, terms that reappear under randomised query contexts yet lack support in the pseudo-relevant set are flagged as products of dominant hallucinatory associations and down-weighted. Drawing on the characterisation of language generation as a trade-off between consistency (no hallucination) and breadth (coverage), we cast term selection as constrained coverage maximisation over the pseudo-relevant set, keeping a set that is approximately broad but consistent and stable across resampling. We also introduce the Hallucinated Expansion Term Rate, a query side faithfulness metric that counts injected expansion terms no relevant document supports. We evaluate our approach on benchmarked TREC and BEIR collections. Our SAFE-QE is statistically indistinguishable from generative and corpus-steered expansion on nDCG@10 while injecting fewer unsupported terms 4.3 per query against 27.8 for Query2doc and 57.5 for HyDE and on a strong learned sparse retriever, where every expansion method regresses. Faithfulness is therefore available at no measurable cost in ranking quality.
Abstract（参考訳）: 大規模言語モデル(LLM)は現在、クエリ拡張用語の標準ソースとなっているが、幻覚的だ。それらは存在しないエンティティと、ランク付けノイズを付加し、強力なレトリバーを傷つける非トピック用語を注入する。コーパス・グラウンディング、相互検証、選好調整などの既存の治療法は、ある用語がなぜ出現したかという機械的な説明や、何語を保つべきかの原則的な基準のない、合意的ヒューリスティックによってフィルタリングされる無差別なニュアンスとして、幻覚語を扱います。本稿では,サブシーケンス・アソシエーション・フィルタ,広帯域対応クエリ拡張(SAFE-QE)を提案する。コーパス条件付きクロスコンテクスト再現性,ランダムなクエリコンテキスト下で再出現するが,擬似関連集合のサポートが欠如している用語は,支配的な幻覚的連想の産物としてフラグ付けされ,低重み付けされる。言語生成の特徴を、一貫性(幻覚のない)と広さ(包絡性)のトレードオフとして捉え、擬関係集合に対する制約付きカバレッジの最大化として項選択を論じる。また,クエリ側忠実度尺度であるHalucinated Expansion Term Rateを導入する。我々は,ベンチマークされたTRECとBEIRのコレクションに対するアプローチを評価した。我々のSAFE-QEは、nDCG@10上の生成的およびコーパス的拡張と統計的に区別できないが、クエリー2docの27.8とHyDEの57.5と、すべての拡張メソッドが後退する強力なスパースレトリバーに、クエリーあたり4.3を注入する。したがって、誠実さは、ランキング品質の計測可能なコストで利用することができる。

関連論文リスト

CANOPY: Adaptive-Granularity Evidence Compression for Multimodal RAG [7.21704145348428]
CANOPYは,検索後のアダプティブ・グラニュラリティ・エビデンス・圧縮のためのフレームワークである。 CanOPYは検索したアイテムを階層として表現し、ゴールドエビデンスに微調整されたノードエンコーダを使用してクエリに対して領域をスコアする。
論文参考訳（メタデータ） (2026-10-01T01:57:55Z)
WIDE: Wildcard Inference with Dynamic Expansion for Cross-Modal Generative Retrieval [11.681276883454288]
クロスモーダル検索における強制幻覚の問題を解決するために,動的拡張を用いたワイルドカード推論(WIDE)を提案する。復号生成フェーズでは、非対称性を意識したワイルドカード復号(AWD)が意味的な盲点を検出し、強制決定的な識別子の代わりにワイルドカードを出力する。 BSR(Blind-Spot Re- rank)は、離散生成信頼度と連続的な意味的類似性を組み合わせたハイブリッドスコアリング機構を用いて、拡張候補プールを評価する。
論文参考訳（メタデータ） (2026-09-03T08:55:05Z)
SWIM: Step-Wise Integrated Measure for Session-supervised List Evaluation in Generative Re-ranking [50.941707269747866]
ユーザ動作を有限水平プレフィックスのセッションレベルサバイバルプロセスとしてモデル化するリストレベル評価器SWIMを提案する。 SWIMは、リストワイドのタスクにおいて、ベースラインを著しく上回り、全体的なレコメンデーションエンゲージメントを大幅に改善することを示す。
論文参考訳（メタデータ） (2026-08-25T19:57:48Z)
Factorized Hypothesis Search for Evidence-to-Taxonomy Retrieval [10.781394552172875]
我々は,現在の指標がセマンティクスが明確である場合に,ターゲットを確実に検索することを示す。名前付きセマンティックディメンションに対して複数の部分的解釈を保持する因子的仮説探索(FHS)を提案する。 FHSは、最も優れたRecall@1、MRR、そして非オークルメソッドの最終的な精度を達成する。
論文参考訳（メタデータ） (2026-08-06T21:56:56Z)
Closing the Indexing-Decoding Gap in Multimodal Generative Retrieval via Prefix Retention Optimization [68.48718919047127]
マルチモーダル生成検索式は、複数のモーダル検索を離散識別子生成として定義し、外部埋め込みよりも明示的な類似性探索を不要とする。既存の手法では、残差量子化によって識別子を構築し、トリエ制約ビームサーチでデコードする。この組み合わせは、インデックス化とデコーディングのギャップを導入している: 識別子学習の目的は、再構成や対照的な損失を含むが、デコーディング中にプレフィックスの識別性を明示的に強制しない。 1)プレフィックスの格付け蒸留は、リストワイドロスを用いた事前量子化埋め込みによって誘導されるプレフィックスと整合する; (ii)語彙スケジューリングは、コードブックを増大させる。
論文参考訳（メタデータ） (2026-06-08T09:15:47Z)
Reasoning-Augmented Representations for Multimodal Retrieval [27.4146940988752]
Universal Multimodal Retrieval (UMR) は、テキストと視覚を横断する任意の検索を求める。画像が“サイレント”なエビデンスを持ち、クエリがキーセマンティクスを暗黙的に残す場合、単一の埋め込みパスは理由と圧縮の両方でなければならない。本稿では、検索前の推論を外部化することで、これらの役割を分離するデータ中心のフレームワークを提案する。
論文参考訳（メタデータ） (2026-02-06T19:01:54Z)
QueryBandits for Hallucination Mitigation: Exploiting Semantic Features for No-Regret Rewriting [27.117502300924183]
報酬モデルを最大化するために書き直し戦略を設計するフレームワークであるQueryBanditsを紹介します。我々は,クエリ書き換えの形式を取り入れた介入を通じて幻覚を緩和するためのQueryBanditsの有効性を実証的に裏付ける。
論文参考訳（メタデータ） (2025-08-22T01:41:49Z)
Faithfulness-Aware Uncertainty Quantification for Fact-Checking the Output of Retrieval Augmented Generation [108.13261761812517]
本稿では,RAG出力における幻覚検出の新しい手法であるFRANQ(Fithfulness-based Retrieval Augmented Uncertainty Quantification)を紹介する。本稿では,事実性と忠実性の両方に注釈を付したQAデータセットを提案する。
論文参考訳（メタデータ） (2025-05-27T11:56:59Z)
Query Expansion Using Contextual Clue Sampling with Language Models [69.51976926838232]
本稿では,実効的なフィルタリング戦略と検索した文書の融合の組み合わせを,各文脈の生成確率に基づいて提案する。我々の語彙マッチングに基づくアプローチは、よく確立された高密度検索モデルDPRと比較して、同様のトップ5/トップ20検索精度と上位100検索精度を実現する。エンド・ツー・エンドのQAでは、読者モデルも我々の手法の恩恵を受けており、いくつかの競争基準に対してエクサクト・マッチのスコアが最も高い。
論文参考訳（メタデータ） (2022-10-13T15:18:04Z)

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。