論文の概要: CiteAnchor: Source-Aware Grounding for Hallucinated Citation Detection and Resolution
- arxiv url: http://arxiv.org/abs/2610.30355v1
- Date: Wed, 21 Oct 2026 19:13:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.115052
- Title: CiteAnchor: Source-Aware Grounding for Hallucinated Citation Detection and Resolution
- Title（参考訳）: CiteAnchor:Halucinated Citation Detectionと分解能のためのソースアウェアグラウンド
- Abstract要約: 幻覚的な引用は、出典を辿り、クレームの背後にある証拠を検証するのを難しくする。
CiteResolveは、423個の実世界の幻覚的引用のベンチマークである。
CiteAnchorはソース認識の基盤フレームワークで、検索とフィールドレベルの検証を各ソースタイプに適応させる。
- 参考スコア（独自算出の注目度）: 6.453511983927488
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hallucinated citations make it harder to trace sources and verify the evidence behind scientific claims. Detecting them is difficult because bibliographic records can be incomplete or differ across source types and publication versions. A plausible match alone neither validates the citation nor establishes its underlying source. We introduce CiteResolve, a benchmark of 423 real-world hallucinated citations annotated for source recoverability. We further propose CiteAnchor, a source-aware grounding framework that adapts retrieval and field-level verification to each source type and separately determines citation validity and whether a unique source can be recovered. On an existing detection benchmark, CiteAnchor achieves 0.841 F1 with GPT-5.6 Luna and 0.784 with an open-weight backbone, outperforming the baseline with the same backbones by 7.9 and 36.8 points. On CiteResolve, it achieves 74.7% and 70.7% end-to-end task success, outperforming the corresponding web search baselines by 16.3 and 65.3 percentage points. Our code and data are available at https://github.com/oldwizard7/CiteANCHOR_code.
- Abstract（参考訳）: 幻覚的な引用は、情報源を辿り、科学的主張の背後にある証拠を検証するのを難しくする。
書誌記録が不完全であったり、典型や出版版によって異なっていたりするため、検出は困難である。
もっともらしい一致は、引用の検証も、その基礎となる情報源の確立もしない。
CiteResolveは、423個の実世界の幻覚的引用を出力回復性に注釈付けしたベンチマークである。
CiteAnchorは、検索とフィールドレベルの検証を各ソースタイプに適応させ、引用の有効性と、ユニークなソースを復元できるかどうかを別々に判定する、ソース認識基盤フレームワークである。
既存の検出ベンチマークでは、CiteAnchorはGPT-5.6 Lunaと0.784で0.841 F1を達成し、ベースラインを7.9と36.8ポイントで上回っている。
CiteResolveでは、74.7%と70.7%のエンドツーエンドのタスク成功を達成し、対応するWeb検索ベースラインを16.3と65.3ポイント上回っている。
私たちのコードとデータはhttps://github.com/oldwizard7/CiteANCHOR_code.comで公開されています。
関連論文リスト
- Local Citation Recommendation Without Graph Signals [0.8401669917818326]
新しいデータセットであるLCRC(Local Citation Recommendation)を提案する。
天体物理学のレビュー論文から得られた14,735の科学的ステートメントが含まれており、それぞれに1つ以上の引用対象があり、完全なテキストはAPI経由でアクセス可能である。
本研究では,Recall@25の8.0%,NDCG@25の6.9%の改善を達成しつつ,引用グラフバイアスを回避するための引用レコメンデーションシステムを開発した。
論文 参考訳（メタデータ） (2026-10-11T18:35:45Z) - CITECHOICE: A Causal Audit of How Document Presentation Redistributes Citation Credit in Agentic Search [0.0]
CITECHOICEは、マルチターンエージェントサーチの因果監査である。
同一の既定事実に対して独立に認証されたサポートを持つ113の同呼文書ペアを選択する。
構造化レンダリングは、ソースの入力を明示的に増加させるのではなく、引用クレジットに集中する。
論文 参考訳（メタデータ） (2026-09-14T07:47:47Z) - Who is the Agent to Blame? Localizing Faithfulness and Citation Mistakes in Agentic Deep Research [75.8770212601511]
ディープリサーチ(DR)システムは、Webから情報を検索して合成する複数のエージェントを編成することで、長い形式の引用レポートを生成する。
循環はこれらの報告の忠実さを評価するための主要なメカニズムであるが、現在のDRシステムでは引用のリコールが不十分である。
そこで本稿では,エージェントが各エラーをローカルにテストすることで,各エラーをピンポイントで検出する手法を提案する。
論文 参考訳（メタデータ） (2026-08-25T09:34:18Z) - Verified Misguidance: Measuring Structural Citation Failures in Search-Augmented LLMs [8.721564756242431]
CITETRACEは、ユーザクエリから取得したソースから生成された回答まで、完全な引用チェーンをトレースするデータセットである。
我々は,意図的アライメント,ソース適合性,回答ソースの忠実度に基づいて各引用をスコアする3次元評価フレームワークを設計する。
プールの向こう側では、引用の30.6%がソースを歪めており、27.1%はドメイン不適切なソースから来ている。
論文 参考訳（メタデータ） (2026-05-27T14:54:05Z) - CiteCheck: Retrieval-Grounded Detection of LLM Citation Hallucinations in Scientific Text [39.146761527401424]
我々は、引用幻覚検出のためのフレームワークであるCiteCheckを紹介する。
CiteCheckは外部の学術文献から候補者の出版物を検索し、構造化LCM検証器を用いて抽出された候補と比較し、検証器のスコアをExact、Minor、Majorの3つのラベルにマップする。
ホールドアウトテストセットでは、CiteCheck は 88.7マクロF1 と 88.9% の精度を実現し、GPT、Claude、Gemini のベースラインを上回り、Web 検索や少数ショットの亜種を含む。
論文 参考訳（メタデータ） (2026-05-26T21:20:40Z) - Source or It Didn't Happen: A Multi-Agent Framework for Citation Hallucination Detection [30.352741291341843]
既存の検出器は2値の発見/未確定の決定に還元され、監査者へのフィールドレベルの信号はほとんど提供されない。
実, 可能性, および有能な引用にまたがる12のコード分類法を導入する。
CiteTracerはPDFとBibから引用を抽出し、ルックアップURL、学者コネクタ、Web検索を通じて証拠を取得する。
合成ベンチマークでは97.1%の精度に達し、クラスレベルのF1スコアはそれぞれ97.0、95.8、98.5のReal、Val、Halucinatedに到達し、吸収することなく現実世界の幻覚を作る。
論文 参考訳（メタデータ） (2026-05-09T00:53:24Z) - CiteAudit: You Cited It, But Did You Read It? A Benchmark for Verifying Scientific References in the LLM Era [51.63024682584688]
大規模言語モデル (LLM) は新たなリスクを導入している。
本稿では,科学文献における幻覚的引用のための総合的なベンチマークおよび検出フレームワークについて紹介する。
我々のフレームワークは、精度と解釈可能性の両方において、先行手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-02-26T19:17:39Z) - Citation Failure: Definition, Analysis and Efficient Mitigation [56.09968229868067]
LLMベースのRAGシステムからの引用は、応答検証の簡略化を目的としている。
これは、モデルが有効な応答を生成するとき、引用失敗には当てはまらないが、完全な証拠を引用することができない。
応答自体に欠陥があり、完全な証拠を引用することは不可能である。
論文 参考訳（メタデータ） (2025-10-23T07:47:22Z) - Evaluating Verifiability in Generative Search Engines [70.59477647085387]
生成検索エンジンは、インラインの引用とともに、ユーザークエリへの応答を直接生成する。
我々は,一般的な4つの生成検索エンジンの評価を行う。
既存の生成検索エンジンからの応答は流動的であり、情報的に見えるが、しばしばサポートされていない文や不正確な引用を含んでいる。
論文 参考訳（メタデータ） (2023-04-19T17:56:12Z) - Improving Wikipedia Verifiability with AI [116.69749668874493]
私たちはSideと呼ばれるニューラルネットワークベースのシステムを開発し、彼らの主張を支持できないWikipediaの引用を識別する。
本誌の最初の引用レコメンデーションは、既存のWikipediaの引用よりも60%多い選好を集めている。
以上の結果から,Wikipediaの妥当性を高めるために,AIベースのシステムを人間と共同で活用できることが示唆された。
論文 参考訳（メタデータ） (2022-07-08T15:23:29Z) - Deep Graph Learning for Anomalous Citation Detection [55.81334139806342]
本稿では,新たな深層グラフ学習モデルであるGLAD(Graph Learning for Anomaly Detection)を提案する。
GLADフレームワーク内ではCPU(Citation PUrpose)と呼ばれるアルゴリズムが提案され,引用テキストに基づく引用の目的が明らかになった。
論文 参考訳（メタデータ） (2022-02-23T09:05:28Z)
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。