論文の概要: Gap Detection: Mitigating Homogenization through Demand and Defensibility

• arxiv url: http://arxiv.org/abs/2610.20162v1
• Date: Wed, 14 Oct 2026 13:16:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.168444
• Title: Gap Detection: Mitigating Homogenization through Demand and Defensibility
• Title（参考訳）: ギャップ検出:需要と防御性による均質化の軽減
• Abstract要約: ギャップ検出(英: Gap Detection)は、共有テキスト埋め込み空間において、関連性はあるが占有されていない方向を検索するフレームワークである。 その目的であるGapScoreは、クエリ関連(Demand)と、最も近い既存のアイテム(Defensibility)との相同性を組み合わせたものだ。 5つのキュレートされたトピックと90のINFINITY-CHATクエリでは、それぞれ12.8%と10.8%の相対的な縮小が報告されている。
• 参考スコア（独自算出の注目度）: 33.89765639147762
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Language models often produce semantically similar answers to open-ended questions, even when many plausible alternatives exist. Generating useful alternatives requires identifying both what the query calls for and what existing responses already cover. We introduce Gap Detection, a framework that searches for relevant but unoccupied directions in a shared text embedding space. Its objective, GapScore, combines query relevance (Demand) with dissimilarity to the nearest existing item (Defensibility). The framework optimizes this product on the unit sphere, maps candidate directions to concept words with a language model, and uses task-specific filtering and constrained prompting to turn those concepts into text. On five curated topics and 90 INFINITY-CHAT queries, the reported mean relative reductions in output Collision are 12.8% and 10.8%, respectively. We also instantiate the framework for generative engine optimization over four product markets and for iterative synthetic-data augmentation. In the latter setting, with 100 training examples per method, Gap Detection reduces Collision from 0.324 to 0.298 relative to undirected accumulation and increases the Vendi Score from 27.16 to 29.20; the accuracy difference is one example on a 40-example test set. Component ablations expose the trade-off between semantic separation and relevance, while also showing that better direction scores do not uniformly yield better downstream metrics. These results support explicit gap search as a practical mechanism for diversifying content, with task validity checked separately from geometric novelty.
• Abstract（参考訳）: 言語モデルは、多くの妥当な選択肢が存在する場合でも、オープンエンドの質問に対して意味論的に類似した回答を生成することが多い。 有用な代替手段を生成するには、クエリが要求するものと、既存のレスポンスがカバーしているものの両方を識別する必要がある。 我々は,共有テキスト埋め込み空間において,関連性はあるが占有されていない方向を検索するフレームワークであるギャップ検出を導入する。 その目的であるGapScoreは、クエリ関連性(Demand)と、最も近い既存のアイテム(Defensibility)との相同性を組み合わせたものだ。 このフレームワークは、この製品を単位球上で最適化し、候補方向を言語モデルで概念語にマッピングし、タスク固有のフィルタリングと制約付きプロンプトを使用してそれらの概念をテキストに変換する。 5つのキュレートされたトピックと90のINFINITY-CHATクエリでは、それぞれ12.8%と10.8%の相対的な縮小が報告されている。 また、4つの製品市場における生成エンジン最適化と、反復的な合成データ拡張のためのフレームワークをインスタンス化する。 後者の設定では、1メソッドあたり100のトレーニング例で、Gap Detectionは無方向性の累積に対してコリジョンを0.324から0.298に減らし、ベンディスコアを27.16から29.20に増やす。 コンポーネントの短縮は、セマンティックな分離と関連性の間のトレードオフを明らかにすると同時に、より良い方向スコアが下流のメトリクスを均一に生成しないことを示す。 これらの結果は、幾何学的新奇性とは別にタスクの妥当性を検証し、コンテンツを多様化するための実践的なメカニズムとして、明示的なギャップ探索を支援する。

関連論文リスト

• World Requirement Model: Learning Requirement-Change Consequences from Typed Artifact Graphs [31.60344882359958]
  我々は、このエンジニアリングコンテキストを型付きアーティファクトグラフとしてエンコードし、共有アーティファクト識別子における結果を予測する世界要求モデル(WRM)を提案する。 WRMは、ハッシュテキスト多層パーセプトロンに対して0.724対0.623の衝撃平均精度(MAP)を得る。 WRMは、アーティファクトに適応した世界モデルの定式化、文脈的結果のスコアリングの比較証拠、および要求世界予測を評価するための明示的な条件に貢献している。
  論文  参考訳（メタデータ） (2026-10-03T11:16:57Z)
• Robust Active Learning for Few-Shot Example Selection in Text-to-SQL [0.0]
  サンプル検索は大規模言語モデルの基盤となる主要なパラダイムである。 我々はこれらの例のアクティブな選択を制約付き実験設計問題として定式化する。 標準的なアクティブな学習フレームワークとは異なり、私たちの設定には3つの重要な課題があります。
  論文  参考訳（メタデータ） (2026-06-08T19:56:24Z)
• AbstRAG: Learning to Abstract for Retrieval Problems [23.379898867224355]
  AbstRAGは、クエリ-エビデンスギャップを、式、概念、インテント-エビデンス、イベントタイプコンポーネントに分解する。 21対のブートストラップのコントラストのうち18のnDCG@10よりも優れており、生成精度は1.9%、5.2%、および4.0%向上している。
  論文  参考訳（メタデータ） (2026-06-08T13:14:01Z)
• Query-Adaptive Semantic Chunking for Retrieval-Augmented Generation: A Dynamic Strategy with Contextual Window Expansion [0.0]
  本稿では,クエリを3つのメカニズムを通じてセグメンテーションに統合することにより,チャンクを動的に構築するクエリ適応セマンティックチャンキング(QASC)を提案する。 QASCのF1スコアは0.85で、固定チャンクよりも18-27%、意味論的およびエージェント的代替よりも8-12%向上している。
  論文  参考訳（メタデータ） (2026-04-29T06:40:53Z)
• HuggingR$^{4}$: A Progressive Reasoning Framework for Discovering Optimal Model Companions [50.61510609116118]
  HuggingR$4$は、Reasoning、Retrieval、Refinement、Reflectionを組み合わせて効率的にモデルを選択する新しいフレームワークである。 作業性率は92.03%、理性率は82.46%に達し、それぞれ26.51%、33.25%を超える。
  論文  参考訳（メタデータ） (2025-11-24T03:13:45Z)
• vCache: Verified Semantic Prompt Caching [95.16654660556975]
  本稿では,ユーザ定義エラー率保証を備えた最初の検証済みセマンティックキャッシュであるvCacheを提案する。 オンライン学習アルゴリズムを使用して、キャッシュされたプロンプト毎に最適な閾値を推定し、追加のトレーニングなしで信頼性の高いキャッシュ応答を可能にする。 我々の実験によると、vCacheは特定のエラー境界を一貫して満たし、最先端の静的な閾値と微調整された埋め込みベースラインより優れています。
  論文  参考訳（メタデータ） (2025-02-06T04:16:20Z)
• SparseCL: Sparse Contrastive Learning for Contradiction Retrieval [87.02936971689817]
  コントラディション検索(Contradiction Search)とは、クエリの内容に明示的に異を唱える文書を識別し、抽出することである。 類似性探索やクロスエンコーダモデルといった既存の手法には、大きな制限がある。 文間の微妙で矛盾したニュアンスを保存するために特別に訓練された文埋め込みを利用するSparseCLを導入する。
  論文  参考訳（メタデータ） (2024-06-15T21:57:03Z)
• 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。