論文の概要: When Direction Matters: Diagnosing Relational Instruction Following in Dense Retrieval
- arxiv url: http://arxiv.org/abs/2611.15417v1
- Date: Wed, 11 Nov 2026 12:44:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.142063
- Title: When Direction Matters: Diagnosing Relational Instruction Following in Dense Retrieval
- Title(参考訳): 指示が重要であるとき--Dense Retrievalにおける関係指導の診断
- Abstract要約: 本稿では,Flip を用いた Constraint と Dense Explicit Filtering という,制御された診断コントラストである SwitchIR を紹介する。
Flipの外側では、主メートル関節は2つのキュー可能な制御で高く、現実的な順序付けでは一貫して低い。
厳密なマージン分解は、方向性に敏感なクエリとドキュメントの相互作用が方向-不変のペアの選好を超えた場合にのみ、両方の方向が正しいことを示す。
- 参考スコア(独自算出の注目度): 30.903095684880643
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dense retrievers increasingly claim the ability to condition retrieval on natural-language relevance criteria beyond a short query. We identify a specific weakness in this capability: the evaluated models perform well when lexical or attribute cues distinguish the target, but become much less reliable when relevance depends on a directional relation over the same entities. We introduce SwitchIR, a controlled diagnostic that contrasts Constraint Shift and Explicit Filtering with Relational Flip, where the query and document pair remain fixed while the requested relation direction reverses. Across representative embedding and late-interaction retrievers, the primary joint metric is high on the two cue-available controls and consistently low on Relational Flip; the same ordering persists in an LLM-assisted, manually reviewed realistic variant. An exact margin decomposition shows that both directions are correct only when the direction-sensitive query--document interaction exceeds the direction-invariant pair preference. Empirically, direction-sensitive changes are common, but their aligned interaction is usually too weak to overcome that preference. Diagnostic fine-tuning shows that models can learn relational behavior that generalizes across relation families, with stronger generalization in the larger model.
- Abstract(参考訳): ダンスレトリバーは、短いクエリ以上の自然言語関連基準で検索を条件付ける能力がますます強まっている。
評価されたモデルは、語彙的または属性的キューがターゲットを区別するときにうまく機能するが、同じエンティティに対する方向関係に依存する場合、その信頼性は大幅に低下する。
本稿では,要求された関係方向が逆転しながらクエリとドキュメントペアが固定されたままであるリレーショナルフリップとConstraint ShiftとExplicit Filteringを対比する制御診断であるSwitchIRを紹介する。
代表埋め込みおよび遅延相互作用レトリバー全体で、一次関節メートル法は2つのキュー可能な制御で高く、リレーショナルフリップでは一貫して低い。
正確なマージン分解は、どちらの方向も、方向感受性のクエリー-ドキュメント間相互作用が方向不変のペアの選好を超える場合にのみ正しいことを示している。
実証的に見れば、方向感受性の変化は一般的であるが、それらの整列した相互作用は通常、その好みを克服するには弱すぎる。
診断的微調整は、モデルがより大きなモデルにおいてより強い一般化を伴い、関係族間で一般化する関係挙動を学習できることを示している。
関連論文リスト
- Shared relations, specific choices: conditional sensitivity and competing pathways in language models [0.33842793760651557]
GPT-2 Small、Qwen2.5-1.5B、Llama-3.2-1Bによる制御された実体結合実験は、クエリーロール間で主に共有され、新しい名前に転送される低次元のリレーショナル背景を明らかにする。
論文 参考訳(メタデータ) (2026-11-01T11:25:07Z) - Many Perturbations, Shared Failure Dynamics: Tracing Direction-Sensitive Perturbation Influence in Language Models [11.514477267634225]
不均一な言語変更は、入力非依存の障害方向を共有することなく、幾何学的および読み出し的関係を共有することができる。
コンパクトリザーブ・アンド・トランスミッションモデルは、Qwen3-32BとGemma 4 31Bの保留家族とアイテム間の障害を予測する。
その結果、自然障害の完全な説明と局所因果感受性を区別しながら、予備、変換、応答間の共通関係を支持する。
論文 参考訳(メタデータ) (2026-10-23T08:09:28Z) - ReDiS: Reasoning-Diagnosis Self-Evolution for Multimodal Reasoning in Remote Sensing [53.65780048695954]
我々は、推論探索と候補評価を分離するフレームワークである textbfReasoning-Diagnosis-Self-Evolution (ReDiS) を導入する。
多様な視覚的証拠を探索するtextbfReasoner と、完全な候補セットを共同で評価する textbfDiagnoser である。
LHRS-Bench, MME-RS, CHOICEの実験では、Qwen3.5バックボーンを0.8B, 2B, 4Bスケールで一貫した改善が見られた。
論文 参考訳(メタデータ) (2026-10-13T13:38:02Z) - Support-Set Target Leakage in Relational Foundation Models during In-Context Learning: Model Dependence and Evaluation Reliability [31.89838384366225]
In-context- learning (ICL) では、ラベル付きサポート例とリンクされたリレーショナルコンテキストを使用して、新しいクエリのラベルを予測する。
これにより、ターゲットから派生した機能がサポートコンテキストに存在しているが、クエリでは利用できない場合、障害モードが生成される。
本研究では,13のRelBenchタスクと5つのリレーショナルICL構成にまたがって,この設定をサポートセットのターゲットリークとして検討する。
論文 参考訳(メタデータ) (2026-09-29T00:14:48Z) - SEER: A Self-Grounded Evidence Interface for Controlled Spatial Relation Classification [71.9783246097687]
SEERは、ペアローカライゼーション中の候補関係を隠蔽し、明示的な主観的/対象的役割を持つクエリ固有ビューを構築し、補完的な証拠として完全なイメージとスパースボックス幾何学を保持する。
正確な逆サポートを持つ関係選択プロトコルでは、オプションリファインメントがエンティティロールを交換し、正確に1つの視覚状態が対応する逆関係に従う場合にのみ前方決定を変更する。
変更されていないプロトコルは、3つのモデルにまたがる2,434個のフィルター付きEmbSpatialペア関係質問に対して +4.35 から +11.79 を得る。
論文 参考訳(メタデータ) (2026-08-04T13:16:15Z) - Towards Anomaly Detection on Relational Data [51.473064583839296]
属性とリレーショナルエッジの両方から異常を捕捉する再構成に基づくフレームワークを提案する。
RelADは競争効率を保ちながら、他のベースラインを一貫して上回ります。
論文 参考訳(メタデータ) (2026-06-17T02:36:32Z) - When Are Neural Interaction Discoveries Real? Identifiability, Recoverability, and a Pre-Fit Diagnostic [0.0]
これは基本的には、観測された入力支援の幾何学によって支配される識別可能性の問題である。
表現能力が識別可能でないことを示す。
相互作用の回復性はサポート幾何学に依存することを示す。
論文 参考訳(メタデータ) (2026-06-07T00:52:43Z) - CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。
CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
論文 参考訳(メタデータ) (2026-01-16T07:27:40Z) - Memorization, Emergence, and Explaining Reversal Failures: A Controlled Study of Relational Semantics in LLMs [43.414287127130684]
本稿では,対称/逆三重項からテキストを生成する合成フレームワークを提案し,GPTスタイルの自己回帰モデルをスクラッチから訓練し,記憶,論理推論,文脈内一般化を評価する。
浅層(2-3層)モデルにおいても,関係性セマンティクスが十分な論理量制御によって出現し,その一般化が安定な中間層信号と一致していることが判明した。
論文 参考訳(メタデータ) (2026-01-06T11:20:38Z) - Eliminating Position Bias of Language Models: A Mechanistic Approach [119.34143323054143]
位置バイアスは現代言語モデル (LM) の一般的な問題であることが証明されている。
我々の力学解析は、ほぼ全ての最先端のLMで使われている2つのコンポーネント(因果的注意と相対的位置エンコーディング)に位置バイアスが関係している。
位置バイアスを排除することによって、LM-as-a-judge、検索強化QA、分子生成、数学推論など、下流タスクのパフォーマンスと信頼性が向上する。
論文 参考訳(メタデータ) (2024-07-01T09:06:57Z) - Learning to Decouple Relations: Few-Shot Relation Classification with
Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。
一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。
一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
論文 参考訳(メタデータ) (2020-10-21T11:07:53Z)
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。