論文の概要: Truth in Contrast: Calibrated Factual Evidence from Language Model Likelihoods

• arxiv url: http://arxiv.org/abs/2610.23527v1
• Date: Fri, 16 Oct 2026 14:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.951428
• Title: Truth in Contrast: Calibrated Factual Evidence from Language Model Likelihoods
• Title（参考訳）: コントラストの真理:言語モデルに類似した言語モデルからの校正的事実証拠
• Abstract要約: 我々は、差別と校正の相補的な視点から、可能性に基づく事実信頼について研究する。 比較的Factual Evidence (CFE)キャリブレーションは2つの代用条件間の差分誤差に依存することを示す。 本研究は, 目的語主張を, 事実・証拠の方向に沿ってのみ, より強い英語の証拠と選択的に整合させるものである。
• 参考スコア（独自算出の注目度）: 35.799463583653804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) encode substantial factual knowledge. Yet, estimating confidence in factual claims reliably remains challenging. We study likelihood-based factual confidence from the complementary perspectives of discrimination and calibration across multilingual factual statements. Specifically, we instantiate contrastive generative likelihoods as Contrastive Factual Evidence (CFE), which compares the likelihood of the same claim under competing factual and non-factual conditions, and derive its probabilistic counterpart, the Contrastive Factual Posterior (CFP). We show analytically that CFP calibration depends on the differential error between the two surrogate conditionals, allowing errors shared across them to cancel and yield tighter calibration bounds. Empirically, CFP substantially improves calibration while maintaining factual discrimination comparable to its strongest competitor. Nonetheless, discrimination is uniformly weak across methods in lower-resource languages, which simultaneously undermines the utility of the measured calibration. To this end, we interpret a likelihood geometry, within which an evidence-bearing direction is induced, along with an orthogonal evidence-invariant direction. In our investigation, we selectively align target-language claims with stronger English evidence only along the factual-evidence direction, improving discrimination and open-ended factual generation without target-language labels.
• Abstract（参考訳）: LLM(Large Language Models)は、実際の知識を符号化する言語である。 しかし、事実的主張に対する信頼感を推定することは、依然として困難である。 本研究は,多言語事実文における識別と校正の相補的視点から,可能性に基づく事実信頼について検討する。 具体的には、比較的事実証拠(Contrastive Factual Evidence, CFE)として、競合する事実的・非事実的条件下での同一の主張の可能性を比較し、その確率論的要因であるCFP(Contrastive Factual Posterior)を導出する。 CFPキャリブレーションは,2つのサロゲート条件間の差分誤差に依存することを示した。 実証的には、CFPは最大の競合相手に匹敵する現実的な差別を維持しながら、キャリブレーションを大幅に改善する。 それでも、低リソース言語におけるメソッド間の識別は均一に弱く、同時に測定されたキャリブレーションの有用性を損なう。 この目的のために、我々は、正統的な証拠不変方向とともに、証拠を含む方向が誘導される可能性幾何学を解釈する。 本研究は, 対象言語ラベルを使わずに, 対象言語主張を, 事実証拠の方向に沿って, より強い英語エビデンスと選択的に整合させ, 識別とオープンエンドの事実生成を改善したものである。

関連論文リスト

• Inference-Time Steering for Cross-Lingual Factual Consistency in LLMs [51.56484100374058]
  大規模言語モデル(LLM)は目覚ましい多言語流布を示すが、その内部知識表現はハイリソース言語に対して不均等に偏っている。 我々は,これらのバイアスを推論時に緩和できるかどうかを考察し,対象言語でクエリされたかのように,英語の確率モデルに答えるように強制する。 Gemma 3 12Bの実験では、最も強い全体的な介入、効率性のバランス、安全性、ドメイン外の一般化を促すペルソナが明らかにされている。
  論文  参考訳（メタデータ） (2026-07-21T16:15:05Z)
• Retrieval-Augmented Linguistic Calibration [57.41519309308438]
  我々は,言語的信頼度を,文が正しいと認識される確率値の分布としてモデル化する。 Retrieval-Augmented Linguistic truth (RALC)は、信頼性信号を自然言語に伝達する軽量なポストホックパイプラインである。
  論文  参考訳（メタデータ） (2026-05-19T04:31:38Z)
• Towards Reliable Truth-Aligned Uncertainty Estimation in Large Language Models [54.51264434040939]
  不確実性推定(UE)は、大規模言語モデル(LLM)の幻覚出力を検出することを目的とする。 ほとんどのUEメトリクスはモデル動作に由来するので、プロキシ障害としてこの現象を定式化します。 UE測定値の補正のためのポストホックキャリブレーション法であるTrath AnChoring (TAC)を提案する。
  論文  参考訳（メタデータ） (2026-04-01T03:42:16Z)
• Can LLMs Detect Their Confabulations? Estimating Reliability in Uncertainty-Aware Language Models [24.72990207218907]
  LLM(Large Language Models)は、畳み込み(confabulation)として知られる、流動的だが不正なコンテンツを生成する傾向にある。 本研究では、文脈内情報がモデル行動にどのように影響するか、LLMが信頼できない応答を識別できるかを検討する。
  論文  参考訳（メタデータ） (2025-08-11T16:12:36Z)
• Incentivizing Truthful Language Models via Peer Elicitation Games [13.262897952363147]
  大きな言語モデル(LLM)は強力な生成能力を示しているが、矛盾や幻覚の傾向が強い。 我々は,異なるベースモデルからインスタンス化されたジェネレータと複数の識別器を含むピア・エリケーション機構を通じて,LPMを整列させる学習自由ゲーム理論フレームワークであるPeer Elicitation Games (PEG)を紹介した。
  論文  参考訳（メタデータ） (2025-05-19T18:16:58Z)
• Latent Veracity Inference for Identifying Errors in Stepwise Reasoning [78.29317733206643]
  本稿では、精度割当てに対する離散探索アルゴリズムであるVeracity Search(VS)を紹介する。 その他の方法では、後続の精度値よりも後続の分布において難解な推論を行う。 VSを一般化し、新しいコンテキストで正確なゼロショットの精度推論を可能にする。
  論文  参考訳（メタデータ） (2025-05-17T04:16:36Z)
• AmbiFC: Fact-Checking Ambiguous Claims with Evidence [57.7091560922174]
  実世界の情報ニーズから10kクレームを抽出したファクトチェックデータセットであるAmbiFCを提示する。 アンビFCの証拠に対する主張を比較する際に,曖昧さから生じる不一致を分析した。 我々は,このあいまいさをソフトラベルで予測するモデルを開発した。
  論文  参考訳（メタデータ） (2021-04-01T17:40:08Z)

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。