論文の概要: CA-HNM: Constraint-Aware Hard Negative Mining for Dense Retrieval with Structured Domain Models

• arxiv url: http://arxiv.org/abs/2610.35045v1
• Date: Mon, 26 Oct 2026 08:58:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.801848
• Title: CA-HNM: Constraint-Aware Hard Negative Mining for Dense Retrieval with Structured Domain Models
• Title（参考訳）: CA-HNM:構造ドメインモデルを用いた高密度検索のための制約対応ハード負のマイニング
• Abstract要約: 本稿では,制約に敏感な鉱業フレームワークCA-HNMを紹介する。 また,MOOCXとCourse-Skill AtlasのCA-HNMを2エンコーダ,トレーニング損失2,シード10で評価した。 検索ランクマッチング制御とは対照的に、CA-HNM-Pureは8つのデータセット-エンコーダ-ロス構成のうち6つの平均NDCG@10を持つ。
• 参考スコア（独自算出の注目度）: 26.702635306128865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dense retrievers are commonly trained with hard negatives selected from lexical or dense retrieval results. Retrieval proximity, however, does not indicate whether a candidate conflicts with explicit domain structure. We introduce CA-HNM, a constraint-aware hard-negative mining framework that combines retrieval-based candidate generation with deterministic incompatibility rules derived from a structured domain model. The framework removes known positives, constructs a local typed context around the query target, records relational, scope, target, and level mismatches, and uses the resulting candidates to fine-tune a standard dual encoder. Structured information is required only during offline negative construction. We evaluate CA-HNM on MOOCCubeX and Course-Skill Atlas with two encoders, two training losses, and ten seeds. Relative to a retrieval-rank-matched control, CA-HNM-Pure has higher mean NDCG@10 in six of eight dataset--encoder--loss configurations. Four hierarchical 95% bootstrap intervals are entirely above zero, mostly under triplet loss. In a separate experiment, CA-HNM-Mixed shows slightly higher mean NDCG@10 than a matched-mixed control on both collections. Structural variants show that changes in available structure can also change candidate eligibility and negative-pool composition. The results indicate that the contribution of constraint-aware selection depends on the training objective and the composition of the negative pool.
• Abstract（参考訳）: デンスレトリバーは、語彙的あるいは密度の高い検索結果から選択された強陰性で訓練されることが多い。 しかし、検索の近接性は、候補が明示的なドメイン構造と矛盾するかどうかを示すものではない。 本稿では、検索に基づく候補生成と、構造化ドメインモデルから導出される決定論的不整合性ルールを組み合わせた制約対応のハード負のマイニングフレームワークであるCA-HNMを紹介する。 このフレームワークは既知の陽性を除去し、クエリターゲット周辺のローカルな型付きコンテキストを構築し、リレーショナル、スコープ、ターゲット、レベルミスマッチを記録し、その結果の候補を使って標準のデュアルエンコーダを微調整する。 構造化情報はオフラインの負の構成でのみ必要とされる。 MOOCCubeXとCourse-Skill AtlasのCA-HNMを2エンコーダ,2つのトレーニング損失,10種の種子で評価した。 検索ランクマッチング制御とは対照的に、CA-HNM-Pureは8つのデータセット-エンコーダ-ロス構成のうち6つの平均NDCG@10を持つ。 4つの階層的な95%のブートストラップ間隔はゼロ以上であり、ほとんどが三重項損失である。 別の実験では、CA-HNM-Mixedは両方のコレクションの一致混合制御よりも平均NDCG@10がわずかに高い値を示した。 構造的変異は、利用可能な構造の変化が候補の適性や負のプール組成を変化させる可能性があることを示している。 その結果,制約を意識した選択の寄与は,学習目標と負プールの構成に依存することが明らかとなった。

関連論文リスト

• Coarse-Graining Recursive Expert Computation: Continuation-Relative Interfaces and Failure Modes [28.160822380428282]
  本稿では,それに続く計算によって代替品の評価を行う連続相対評価フレームワークを提案する。 このフレームワークは、スキップされた計算、実行された操作、下流の損失の要約を区別する。 実験により、表現の忠実さとタスクの喪失は、異なる適合する目的に好適であることが示されている。
  論文  参考訳（メタデータ） (2026-10-10T00:21:04Z)
• H2CE: Modeling Geo-Semantic Interactions for POI Reranking with Heterogeneous Two-Stage Cross-Encoders [50.334243169621175]
  ローカル検索におけるPOI(Point-of-Interest)の再ランクは、クエリ条件付きトレードオフをモデル化する必要がある。 遅延バウンドPOIリグレードのための異種二段クロスエンコーダH2CEを提案する。
  論文  参考訳（メタデータ） (2026-10-08T05:40:08Z)
• MESH-Harness: Self-Improving Agent Harnesses via Bandit-Guided Compositional Evolution [51.00839146188019]
  MESH-Harnessは、各ハーネスを明示的なロール固有のインターフェイスを持つ機能モジュールにまとめる。 Mixed-start coordinate ascentは、空間を列挙することなく、評価のための完全な構成を選択する。 繰り返しハーネス最適化はMESH-Harnessを5.63-7.79ポイント改善した。
  論文  参考訳（メタデータ） (2026-10-04T15:22:23Z)
• Integrated Imputation-Classification for Supervised Learning with Missing Data [16.886097919403383]
  Integrated Imputation and Classification Network (IICN)は、インプタと$(n+1)$-classdiscriminatorを、単一のクラス管理型分類目的と逆向きに訓練する。 IICNは古典的な暗黙の分類パイプラインと最近の生成ベースラインを、挑戦的な設定で上回る。
  論文  参考訳（メタデータ） (2026-10-03T03:59:32Z)
• PRIME: Mitigating Subgroup Optimization Competition in Shared CTR Top Networks with Plug-in Residual Input-Conditioned Mixture of Expert [16.073701450851008]
  4つのモデルと4つのセマンティックフィールドを持つアバズ上での競合について検討する。 我々は,低ランクの残留専門家を混在させたPRIME(Plug-in Residual Input- Conditioned Mixture of Experts)を紹介する。
  論文  参考訳（メタデータ） (2026-08-31T08:37:44Z)
• Harnessing LLMs for Reliable Academic Supervision: A Comparative Study [0.0]
  大規模言語モデルは、単発プロンプトに対する流動的な回答を日常的に生成するが、それらをドメイン決定システムの信頼性の高いコンポーネントとしてデプロイするのは、かなり難しい。 このギャップを埋めるのは、決定論的足場を意図的に構成する、ハーネスエンジニアリングの作業である。 本稿では,高評価,経時的アカウンタビリティ,構造化された運用研究を併用した,学術的監督の事例を紹介する。
  論文  参考訳（メタデータ） (2026-07-16T08:14:27Z)
• F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
  大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。 この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。 このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。 本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-13T04:52:33Z)
• Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
  CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。 シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2026-04-11T10:47:22Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。