論文の概要: Nothing Left Behind: Finding Evidence from a Large Randomized Evaluation Corpus
- arxiv url: http://arxiv.org/abs/2610.36910v1
- Date: Tue, 27 Oct 2026 09:40:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.556937
- Title: Nothing Left Behind: Finding Evidence from a Large Randomized Evaluation Corpus
- Title（参考訳）: 裏には何も残っていない: 大きなランダム化評価会社から証拠を見つける
- Abstract要約: 7,354件のランダム化試験のコーパスで、ラベル検索では、体系的なレビューが含む証拠の45%が見つかったが、新しいアプローチでは92%が見つかった。
これらの結果は、広範囲な候補検索とクエリ固有のエビデンスフィルタリングを組み合わせた2段階アーキテクチャをサポートする。
- 参考スコア（独自算出の注目度）: 7.370933486458541
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Many AI systems need to find every relevant items in a large collection and then organize what they found. The standard way to do this is to tag each item with labels from a curated vocabulary and search on those labels. Those labels are useful for organizing results, but searching on them misses items that do not fit a label and returns too much when labels are broad. We compare this approach with an embedding-based approach: find candidates by meaning using text embeddings, then have a language model keep only the relevant ones. In a corpus of 7,354 randomized trials, label search found 45% of the evidence a systematic review would include, while the new approach found 92%, at a cost per query that rises with search depth. These results support a two-stage architecture that combines broad candidate retrieval with query-specific evidence filtering.
- Abstract（参考訳）: 多くのAIシステムは、巨大なコレクションにあるすべての関連するアイテムを見つけて、見つけたものを整理する必要がある。
標準的な方法では、各項目にラベルを付け、そのラベルを検索する。
ラベルは結果を整理するのに役立ちますが、ラベルに合わない項目を検索すると、ラベルが広すぎると返り過ぎます。
我々は、このアプローチを埋め込みベースのアプローチと比較する: テキスト埋め込みを使って候補を見つけ、言語モデルに関連するものだけを保持する。
7,354件のランダム化試験のコーパスで、ラベル検索では、体系的なレビューが含む証拠の45%が見つかったが、新しいアプローチでは、検索深度によって増加するクエリ1件あたりのコストで92%が見つかった。
これらの結果は、広範囲な候補検索とクエリ固有のエビデンスフィルタリングを組み合わせた2段階アーキテクチャをサポートする。
関連論文リスト
- One Size Does Not Fit All: Exploring Variable Thresholds for Distance-Based Multi-Label Text Classification [1.8165993946919816]
距離に基づく教師なしテキスト分類では、ラベルとテキスト間の意味的類似性を使用してラベルの関連性を決定する。
類似度分布は、モデル、データセット、さらにはラベルセットの間で統計的に有意な差異を示す。
検証セットを用いてラベル固有の閾値を最適化する新しい手法を提案する。
論文 参考訳（メタデータ） (2025-10-13T08:52:14Z) - Chain of Retrieval: Multi-Aspect Iterative Search Expansion and Post-Order Search Aggregation for Full Paper Retrieval [68.71038700559195]
The Chain of Retrieval (COR) is a novel repeaterative framework for full-paper search。
SCIBENCH(SCIBENCH)は、クエリと候補のための全論文の完全なコンテキストとセグメント化されたコンテキストを提供するベンチマークである。
論文 参考訳（メタデータ） (2025-07-14T08:41:53Z) - Exploiting Conjugate Label Information for Multi-Instance Partial-Label Learning [61.00359941983515]
MIPL(Multi-instance partial-label Learning)は、各トレーニングサンプルが1つの真のラベルといくつかの偽陽性を含む候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現されるシナリオに対処する。
ELIMIPLは共役ラベル情報を利用して曖昧性を改善する。
論文 参考訳（メタデータ） (2024-08-26T15:49:31Z) - Large language models can accurately predict searcher preferences [12.134907765184572]
本稿では,ラベルの品質向上のための代替手法を提案する。
実際のユーザーからの注意深いフィードバックが受けられる。これは定義上、高品質のファースト・パーティ・ゴールド・データだ。
大規模な言語モデルは、人間のラベルラーと同じくらいの精度で有効であることがわかった。
論文 参考訳（メタデータ） (2023-09-19T13:55:39Z) - Exploring Structured Semantic Prior for Multi Label Recognition with
Incomplete Labels [60.675714333081466]
不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。
最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。
我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
論文 参考訳（メタデータ） (2023-03-23T12:39:20Z) - MATCH: Metadata-Aware Text Classification in A Large Hierarchy [60.59183151617578]
MATCHはメタデータと階層情報の両方を利用するエンドツーエンドのフレームワークである。
親による各子ラベルのパラメータと出力確率を正規化するさまざまな方法を提案します。
大規模なラベル階層を持つ2つの大規模なテキストデータセットの実験は、MATCHの有効性を示しています。
論文 参考訳（メタデータ） (2021-02-15T05:23:08Z) - Interaction Matching for Long-Tail Multi-Label Classification [57.262792333593644]
既存のマルチラベル分類モデルにおいて,制約に対処するためのエレガントで効果的なアプローチを提案する。
ソフトなn-gram相互作用マッチングを実行することで、ラベルと自然言語記述をマッチングする。
論文 参考訳（メタデータ） (2020-05-18T15:27:55Z)
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。