論文の概要: EviCast: Forecasting Retrieval Gains Through Shared Response Calibration
- arxiv url: http://arxiv.org/abs/2611.02387v1
- Date: Mon, 02 Nov 2026 01:55:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-04 23:36:30.553985
- Title: EviCast: Forecasting Retrieval Gains Through Shared Response Calibration
- Title(参考訳): EviCast: 検索収益の予測: 共有応答の校正を通じて
- Abstract要約: 介入エビデンス-状態分解による検索値を予測するフレームワークであるEviCastを紹介する。
EviCastは、制御されたエビデンス状態に対するジェネレータの応答を測定し、この共有プロファイルと各候補レトリバーのオフラインエビデンス状態分布を組み合わせる。
状態制限解析は、そのバイナリおよびトポロジ対応のインスタンス化が正確で、共有キャリブレーションがレトリバーごとのキャリブレーションよりも統計的に効率的である場合に特徴付けられる。
- 参考スコア(独自算出の注目度): 81.48214908232247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retrieval-augmented generation (RAG) extends large language models with external evidence, yet relevant evidence does not ensure that a generator can use it. Indiscriminate retrieval can degrade task performance while adding retrieval and long-context inference costs. Existing methods neither determine before large-scale execution whether a generator, task distribution, and retriever configuration is worth deploying nor diagnose multiple candidate retrievers under a shared budget. We introduce EviCast, a framework that forecasts retrieval value through interventional evidence-state decomposition. EviCast measures a generator's response to controlled evidence states once and combines this shared profile with the offline evidence-state distribution of each candidate retriever, yielding the end-to-end net utility and its 95% lower confidence bound without executing every RAG configuration. A state-refinement analysis characterizes when its binary and topology-aware instantiations are exact and when shared calibration is statistically more efficient than per-retriever calibration. In frozen evaluations, EviCast correctly decides all 14 HotpotQA retrieval configurations with a forecast error of 2.75 F1 points while reducing diagnostic generation calls by 80%, and it attains the lowest forecast error among seven predictors in the low-budget regime. Its topology-aware instantiation, EviCast-T, captures the complementarity between terminal and bridge evidence, correctly deciding all 16 configurations on MuSiQue and HotpotQA and 23 of 24 after prospective transfer to a third dataset. These results show that retrieval deployment depends on both evidence availability and the generator's ability to convert evidence structure into stable net utility. Code is available at https://github.com/YiboWang2002/EviCast.
- Abstract(参考訳): Retrieval-augmented Generation (RAG) は、外部の証拠で大きな言語モデルを拡張するが、関連する証拠はジェネレータがそれを利用できることを保証しない。
非識別検索は、検索と長文推論コストを加えながらタスク性能を低下させることができる。
既存の方法は、ジェネレータ、タスク分散、およびレトリバーの構成が、共有予算の下で複数の候補レトリバーをデプロイまたは診断する価値があるかどうかを、大規模な実行前に決定しない。
介入エビデンス-状態分解による検索値を予測するフレームワークであるEviCastを紹介する。
EviCastは、制御されたエビデンス状態に対するジェネレータの応答を測定し、この共有プロファイルを各候補レトリバーのオフラインエビデンス状態分布と組み合わせて、すべてのRAG構成を実行することなく、エンドツーエンドネットユーティリティと95%低い信頼度を得る。
状態制限解析は、そのバイナリおよびトポロジ対応のインスタンス化が正確で、共有キャリブレーションがレトリバーごとのキャリブレーションよりも統計的に効率的である場合に特徴付けられる。
凍結評価において、EviCastは、予測誤差2.75F1ポイントで14のHotpotQA検索構成を正しく決定し、診断生成呼び出しを80%削減し、低予算体制の7人の予測者の中で最も低い予測誤差を達成する。
トポロジを意識したインスタンス化であるEviCast-Tは、端末とブリッジのエビデンスを補完し、第3のデータセットへの転送後に、MuSiQueとHotpotQAの16構成と24のHotpotQAの23構成を正しく決定する。
これらの結果は,エビデンス・アベイラビリティとジェネレータのエビデンス・構造を安定したネット・ユーティリティに変換する能力の両方に依存していることを示している。
コードはhttps://github.com/YiboWang2002/EviCast.comで入手できる。
関連論文リスト
- When Do Corrective Features Help? An Agent for Corrective Feature Discovery on Black-Box Forecasters [44.11700214719062]
本研究は, 凍結予測器の残差をマイニングし, 軽量なポストホック整流器を駆動する手法である。
本稿では,背骨を凍結保存し,その残存物を2つの相補的発電機でマイニングするCRAFTERについて述べる。
単一のバリデーション接地ゲートは、その起源に関係なくすべての候補を受け入れ、拒否し、バリデーション選択された修正者は、受け入れられた特徴を適用したり、予測を変更せずに残す。
論文 参考訳(メタデータ) (2026-08-05T07:48:35Z) - When Does Overlap Help? OSU-Mem and a Cell-Conditional Analysis of Trajectory Memory for LLM Agents [8.361893760388329]
LLM(Long-Horizon Large Language Model)エージェントは、実用的なプロンプト予算を迅速に超過する相互作用トラジェクトリを蓄積する。
トラジェクトリメモリを重なり合うセマンティックユニット(OSU)に編成することは、フラットまたは非ジョイントな選択肢を検索するのに役立つのだろうか?
我々はこれをOSUMemでインスタンス化し、OSUプールの重なり合う部分から予算付き粗大な拡張によって取り出す。
論文 参考訳(メタデータ) (2026-06-19T04:23:04Z) - Grounded Decoding: Retrieval-Anchored Probability Fusion for Faithful RAG [6.324418485299426]
大規模な言語モデルは、競合が発生したとき、検索された情報よりもパラメトリックな知識を優先することができる。
本稿では,モデルパラメータを変更することなくRAGの現実的整合性を改善するために,新しいトレーニングフリーデコーディングフレームワークであるemphGrounded Decodingを提案する。
以上の結果から, 確率レベルの融合は, 忠実なRAG復号化のためのロジットレベルの介入法に代わる, 強力かつ効率的な代替手段となることが示唆された。
論文 参考訳(メタデータ) (2026-05-29T23:47:39Z) - AdaGATE: Adaptive Gap-Aware Token-Efficient Evidence Assembly for Multi-Hop Retrieval-Augmented Generation [6.314380942821944]
マルチホップRAGのためのトレーニング不要エビデンスコントローラであるAdaGATEを提案する。
AdaGATEは、トークン制約された修復問題としてエビデンスの選択をフレーム化している。
AdaGATE on HotpotQA under clean, redundancy, and noise injected search conditions。
論文 参考訳(メタデータ) (2026-05-04T14:45:49Z) - Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。
各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。
これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
論文 参考訳(メタデータ) (2026-04-20T13:25:40Z) - Towards Verifiable AI with Lightweight Cryptographic Proofs of Inference [3.3323431541048385]
完全証明を軽量なサンプリングベースアプローチで置き換える検証フレームワークとプロトコルを提案する。
我々は,機能的に異なるモデル間のトレース分離を活用可能な条件を定式化し,検証可能な推論プロトコルの安全性について議論する。
我々の手法は、最先端の暗号証明システムと比較して、証明時間を桁違いに削減する。
論文 参考訳(メタデータ) (2026-03-19T15:24:27Z) - Rethinking the Reranker: Boundary-Aware Evidence Selection for Robust Retrieval-Augmented Generation [64.09110141948693]
Retrieval-Augmented Generation (RAG) システムは、現実的な検索ノイズの下でも不安定である。
そこで我々は,BAR-RAGを提案する。このBAR-RAGは,発電機のGoldilocks Zoneをターゲットとした境界認識型エビデンスセレクタである。
Bar-RAGはノイズ検索において、エンドツーエンドのパフォーマンスを一貫して改善する。
論文 参考訳(メタデータ) (2026-02-03T16:08:23Z) - COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。
COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。
リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文 参考訳(メタデータ) (2025-06-25T07:04:49Z) - Complex Event Forecasting with Prediction Suffix Trees: Extended
Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。
このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。
複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-01T09:52:31Z)
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。