論文の概要: Online Evidence-Containment Prediction over Text Spans under Distinct Queries

• arxiv url: http://arxiv.org/abs/2610.41384v1
• Date: Fri, 30 Oct 2026 07:47:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.650657
• Title: Online Evidence-Containment Prediction over Text Spans under Distinct Queries
• Title（参考訳）: 個別クエリによるテキストスパンのオンラインエビデンス・コンテンツ予測
• Abstract要約: オンラインエビデンス・コンテンツ予測(OECP)の形式化 各候補は正確な検証の前に予測され、最大1回クエリされる。 自然問題では、封じ込めは未解決の候補者に対して大きな利得とより少ない学習利得をもたらす。
• 参考スコア（独自算出の注目度）: 2.7567427384518193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evidence-grounded NLP systems often verify nested text regions sequentially, so verifying one region constrains others. We formalize this as Online Evidence-Containment Prediction (OECP): each candidate is predicted before exact verification and queried at most once. Span containment is exactly a triangular 2D product order, making OECP distinct-query online isotonic regression. With multiple admissible targets, worst-case regret is near-linear, $\widetildeΘ(m_{\mathrm{eff}})$, in the effective scale given by endpoint-rank compression; a single fixed target, as in standard QA, admits an explicit polynomial-time learner with optimal $Θ(\log m_{\mathrm{eff}})$ regret, run on real NQ episodes. On Natural Questions, containment yields a large deductive gain plus a smaller learned gain on unresolved candidates, reproduced across two backbones and DPR hierarchies. Expected Search-space Reduction (ESR) turns these probabilities into decisions, localizing evidence in fewer verifier calls on SciFact, ERASER, and DPR hierarchies; on DPR hierarchies under call budgets it outperforms four recent external selectors and raises fixed-reader F1 over learned and generator-greedy scheduling.
• Abstract（参考訳）: Evidence-grounded NLP システムは、ネストしたテキスト領域を逐次検証することが多いため、ある領域を検証することは、他の領域を制約する。 我々はこれをオンラインエビデンス・コンテンツ予測(OECP: Online Evidence-Containment Prediction)として定式化する。 スパン封じ込めは、正確には三角形の2D製品オーダーであり、OECPのオンライン等方性回帰を区別する。 エンドポイントランク圧縮によって与えられる有効スケールでは、標準QAのように、単一の固定されたターゲットは、最適な$=(\log m_{\mathrm{eff}})$ regret, run on real NQ episodesを持つ明示的な多項式時間学習者を認める。 自然問題では、封じ込めは2つのバックボーンとDPR階層にまたがって再現される未解決の候補に対して大きな誘惑的な利得とより少ない学習利得をもたらす。 期待されている検索空間削減(ESR)は、これらの確率を決定に転換し、SciFact、ERASER、DPR階層に対する検証対象の少ない呼び出しのエビデンスをローカライズする。

関連論文リスト

• ResiSpec: Enhancing Multi-Candidate Speculative Sampling via Residual Distribution Shaping [79.1905186547363]
  ResiSpecは、検証中に提案の配布を戦略的に改革するフレームワークである。 候補の偏光を防止し、最先端のマルチ候補法よりも最大1.92$times$スピードアップを達成する。
  論文  参考訳（メタデータ） (2026-08-25T11:25:55Z)
• From Positionwise Confidence to Prefix Scheduling: Verifier Skipping in Speculative Decoding [41.41611499810411]
  投機拡散復号(SDD)は、離散拡散モデルと並行してドラフトブロック内のすべての位置を生成する。 本稿では,これが新しい制御ハンドルを生成することを認識している。
  論文  参考訳（メタデータ） (2026-08-14T18:00:08Z)
• BLADE: Boundary-Expanded and Layer-Adaptive Dynamic Exit for Efficient LLM Reasoning [12.482949673236563]
  BLADEは、生成したプレフィックスが正しい答えに十分かどうかを推定することで推論を終了する。 BLADEは文、自己疑念、段落の境界から多粒性のチェックポイントを構築する。 BLADEは、Qwen3-8Bでは24.8%、Qwen3-4Bでは15.8%の精度で、ほぼベースラインの精度を保っている。
  論文  参考訳（メタデータ） (2026-07-31T02:36:55Z)
• Deeper is Not Always Better: Mitigating the Alignment Tax via Confident Layer Decoding [92.1521161575198]
  我々は、最も信頼性の高いニアファイナル層を動的に選択する、トレーニング不要なデコーディング戦略であるConfident Decodingを紹介する。 密集型および混合型LLMの実験は、挑戦的推論ベンチマークにおいて一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-06-20T07:03:26Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• Fast Controlled Generation from Language Models with Adaptive Weighted Rejection Sampling [90.86991492288487]
  トークンの制約を評価するのは 違法にコストがかかる LCDは文字列上のグローバル分布を歪め、ローカル情報のみに基づいてトークンをサンプリングすることができる。 我々のアプローチは最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-07T18:30:18Z)
• Beyond Prompting: An Efficient Embedding Framework for Open-Domain Question Answering [22.121850498642008]
  大規模言語モデルは、最近、新しいフロンティアにオープンドメインの質問に答えた。 一般的なレトリバーリーダーパイプラインは、しばしば複数のプロンプトレベル命令に依存する。 EmbQAは,レシーバとリーダの両方を強化した埋め込みレベルのフレームワークである。
  論文  参考訳（メタデータ） (2025-03-03T14:41:35Z)
• Making Large Language Models Better Reasoners with Alignment [57.82176656663245]
  推論(Reasoning)とは、証拠を使って結論に達する認知過程である。 近年の研究では、思考の連鎖(COT)推論プロセスによるデータ上の微調整LDMは、その推論能力を著しく向上させることができることが示されている。 テキストアライメントファインチューニング(AFT)パラダイムを3ステップで導入する。
  論文  参考訳（メタデータ） (2023-09-05T11:32:48Z)
• Stratified Rule-Aware Network for Abstract Visual Reasoning [46.015682319351676]
  Raven's Progressive Matrices (RPM) テストは一般的に抽象的推論の能力を調べるために使用される。 畳み込みニューラルネットワーク(CNN)を利用した最近の研究は、RPMテストを達成するための奨励的な進歩を達成している。 本稿では,2つの入力シーケンスに対するルール埋め込みを生成するためのSRAN(Stratified Rule-Aware Network)を提案する。
  論文  参考訳（メタデータ） (2020-02-17T08:44:05Z)

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。