論文の概要: Humanity's Last Choice: A Common Evaluation Standard for Generative Engine Optimization
- arxiv url: http://arxiv.org/abs/2610.23541v1
- Date: Fri, 16 Oct 2026 14:35:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.955693
- Title: Humanity's Last Choice: A Common Evaluation Standard for Generative Engine Optimization
- Title（参考訳）: Humanityの最後の選択: 生成エンジン最適化のための共通評価標準
- Abstract要約: そこで我々は,ソースの編集場所,編集方法,編集対象の信号などを記述するメタタコノミーを提案する。
これは、人々がどのシステムに依存するかを知らせる、共通のリーダーボードの基盤を提供する。
- 参考スコア（独自算出の注目度）: 19.538029044714353
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Humanity's Last Choice describes the idea that the last choice people need to make is which AI system they entrust with the decisions that follow. These systems rely on external sources that content providers can edit through generative engine optimization (GEO) to increase source visibility and influence recommendations. Choosing among these systems therefore requires comparable evidence of how well they carry out user requests when exposed to GEO. Benchmarks have made progress in standardizing tasks, models, and metrics, but they often define their own spaces of GEO strategies and use different editing constraints. These differences can conflate gains from better optimization algorithms with those from greater freedom to edit sources, while making evaluation coverage difficult to compare across benchmarks. We therefore call for a common evaluation standard and propose a meta-taxonomy that describes where sources are edited, how they are edited, and what signals those edits target. Drawing on representative literature, we map existing strategies into a searchable space and outline a protocol for controlled comparisons with explicit coverage reporting. This provides a foundation for common leaderboards that can inform which systems people choose to rely on.
- Abstract（参考訳）: HumanityのLast Choiceは、人々がすべき最後の選択は、どのAIシステムに従う決定を任せるかである、という考えを説明している。
これらのシステムは、コンテンツプロバイダが生成エンジン最適化(GEO)を通じて編集できる外部ソースに依存しており、ソースの可視性を高め、レコメンデーションに影響を与える。
したがって、これらのシステムの中から選択するには、GEOに暴露された場合のユーザ要求がどれだけうまく実行されるかという、同等の証拠が必要である。
ベンチマークはタスク、モデル、メトリクスの標準化に進歩しているが、GEO戦略の独自のスペースを定義し、異なる編集制約を使用することが多い。
これらの違いは、最適化アルゴリズムの改善とソースの編集の自由度の向上を両立させ、評価カバレッジをベンチマーク間で比較することが難しくする可能性がある。
そこで我々は、共通評価基準を提唱し、ソースの編集場所、編集方法、ターゲットの編集信号などを記述したメタ分類法を提案する。
代表的な文献に基づいて,既存の戦略を検索可能な空間にマッピングし,明示的なカバレッジレポートと比較するためのプロトコルを概説する。
これは、人々がどのシステムに依存するかを知らせる、共通のリーダーボードの基盤を提供する。
関連論文リスト
- GUIDE: Generative Utility Inference and Decision Engine [47.51965836398949]
会話を通じてユーザの好みを推測するLLM駆動型エレケーションアーキテクチャであるGUIDEを紹介する。
GUIDEは多様な質問への適応サンプリングを一般化する。
シンボリックルールに基づく学習プロセスを通じて、ドメイン固有の嗜好表現を生成する。
論文 参考訳（メタデータ） (2026-09-10T19:12:09Z) - Agent2UCB: Agentic System for Generative Engine Optimization [39.812101274332385]
Agent2UCBは、カスタマイズされたフィードバック駆動最適化を通じて、コンテンツの可視性を自律的に改善する。
各コンテンツ項目について、GEOの戦略を9つ評価し、最も効果的な方法を特定し、選択を加速する。
このシステムは、可読性、トピックのカバレッジ、EEATスタイルの信頼性をカバーする軽量でテキストのみのSEO準備性評価も提供する。
論文 参考訳（メタデータ） (2026-08-29T05:36:06Z) - Beyond the Vacuum: Combinatorial Strategy Selection for Competitor-Aware Generative Engine Optimization [9.549637853677055]
我々は,ジェネレーティブエンジン最適化を競合対応戦略選択問題として定式化する。
我々は、BOCSのブラックボックス観測から好みのペアとグラウンドド推論トレースを生成し、言語モデルを微調整する。
我々は,既存のエージェント的および単一ヒューリスティックな手法よりも,いくつかの印象的指標にまたがって最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-08-27T19:12:33Z) - From Experience to Skill: Multi-Agent Generative Engine Optimization via Reusable Strategy Learning [18.351281487408176]
生成エンジン(GE)は、ランク付けされたリンクを引用グラウンドの回答に置き換えることで、情報アクセスを再構築している。
本稿では,マルチエージェントフレームワークであるMAGEOを提案する。
3つのメインストリームエンジンの実験では、MAGEOは可視性と励振の両面においてベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-04-21T14:39:24Z) - Algorithmic Trust and Compliance: Benchmarking Brand Notability for UK iGaming Entities in Generative Search Engines [0.0]
私たちは、伝統的なランク付けされたリストから、合成された引用支援の回答へとシフトしているのを目撃しています。
英国のiGamingセクターのような高度に規制された環境では、視認性はキーワード密度によって規定されるのではなく、エンティティが"Algorithmic Trust"を投影する能力によって規定される。
最近の大規模な実験では、AI検索がブランドが所有するコンテンツに対して、アーンドメディア(第三者、権威のあるソース)に対して体系的で圧倒的な偏見を示しています。
論文 参考訳（メタデータ） (2026-03-05T09:17:12Z) - Grammatical Error Correction Evaluation by Optimally Transporting Edit Representation [34.071151696990384]
本研究は,文法的誤り訂正(GEC)に特化して設計された編集に焦点をあてる。
本稿では,編集のための表現である編集ベクトルを提案し,これらの編集ベクトルを仮説から参照へ不均衡な最適輸送を用いて転送する新しい計量 UOT-ERRANT を提案する。
SEEDAメタ評価実験により、UOT-ERRANTは、特に+フルエンシ領域において、評価性能を向上させることが示された。
論文 参考訳（メタデータ） (2026-02-05T08:05:42Z) - Grounding Long-Context Reasoning with Contextual Normalization for Retrieval-Augmented Generation [57.97548022208733]
キー値抽出における表面的選択が精度と安定性のシフトを引き起こすことを示す。
生成前の文脈表現を適応的に標準化する戦略であるコンテキスト正規化を導入する。
論文 参考訳（メタデータ） (2025-10-15T06:28:25Z) - On Symmetric Losses for Robust Policy Optimization with Noisy Preferences [55.8615920580824]
この研究は、人間からのフィードバックから強化学習のコアコンポーネントである報酬モデリングに焦点を当てている。
本稿では, 騒音条件下でのロバストな政策最適化のための基本的枠組みを提案する。
対称的損失は,ノイズラベルの下でも政策最適化を成功させることができることを証明した。
論文 参考訳（メタデータ） (2025-05-30T15:30:43Z) - Towards Realistic Evaluation of Commit Message Generation by Matching Online and Offline Settings [77.20838441870151]
オンラインメトリック - VCSに生成されたメッセージをコミットする前にユーザが導入する編集回数 - を使用して、オフライン実験用のメトリクスを選択します。
我々は,GPT-4が生成したコミットメッセージと,人間の専門家が編集したコミットメッセージからなる57対のデータセットを収集した。
以上の結果から,編集距離が最も高い相関性を示すのに対し,BLEUやMETEORなどの類似度は低い相関性を示すことがわかった。
論文 参考訳（メタデータ） (2024-10-15T20:32:07Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳（メタデータ） (2022-07-04T17:49:25Z) - Generalize then Adapt: Source-Free Domain Adaptive Semantic Segmentation [78.38321096371106]
先行技術はラベル付きソースとラベルなしターゲットの両方への同時アクセスを前提としており、ソースフリー適応を必要とするシナリオには適さない。
本研究では、タスクをa)ソースのみのドメイン一般化とb)ソースフリーなターゲット適応の2つに分割することで、ソースフリーのDAを可能にする。
本研究では,空間的不規則性を回避し,擬似ラベル品質を向上する条件付き事前強化オートエンコーダを提案する。
論文 参考訳（メタデータ） (2021-08-25T14:18:59Z)
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。