論文の概要: HierSearch: A Hierarchical Enterprise Deep Search Framework Integrating Local and Web Searches

• arxiv url: http://arxiv.org/abs/2508.08088v1
• Date: Mon, 11 Aug 2025 15:31:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.173006
• Title: HierSearch: A Hierarchical Enterprise Deep Search Framework Integrating Local and Web Searches
• Title（参考訳）: HierSearch: ローカル検索とWeb検索を統合した階層型エンタープライズディープ検索フレームワーク
• Authors: Jiejun Tan, Zhicheng Dou, Yan Yu, Jiehan Cheng, Qiang Ju, Jian Xie, Ji-Rong Wen,
• Abstract要約: 本稿では,階層型RLで学習した階層型エージェントディープ検索フレームワークであるHierSearchを提案する。 低レベルにおいては、ローカルなディープサーチエージェントとWebのディープサーチエージェントがトレーニングされ、対応するドメインから証拠を検索する。 高レベルでは、プランナーエージェントが低レベルのエージェントをコーディネートし、最終回答を提供する。
• 参考スコア（独自算出の注目度）: 54.65565885083031
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, large reasoning models have demonstrated strong mathematical and coding abilities, and deep search leverages their reasoning capabilities in challenging information retrieval tasks. Existing deep search works are generally limited to a single knowledge source, either local or the Web. However, enterprises often require private deep search systems that can leverage search tools over both local and the Web corpus. Simply training an agent equipped with multiple search tools using flat reinforcement learning (RL) is a straightforward idea, but it has problems such as low training data efficiency and poor mastery of complex tools. To address the above issue, we propose a hierarchical agentic deep search framework, HierSearch, trained with hierarchical RL. At the low level, a local deep search agent and a Web deep search agent are trained to retrieve evidence from their corresponding domains. At the high level, a planner agent coordinates low-level agents and provides the final answer. Moreover, to prevent direct answer copying and error propagation, we design a knowledge refiner that filters out hallucinations and irrelevant evidence returned by low-level agents. Experiments show that HierSearch achieves better performance compared to flat RL, and outperforms various deep search and multi-source retrieval-augmented generation baselines in six benchmarks across general, finance, and medical domains.
• Abstract（参考訳）: 近年,大規模な推論モデルが数学やコーディングの能力を発揮しており,深層探索は情報検索に挑戦する際の推論能力を活用している。 既存のディープ検索作業は、一般的に、ローカルまたはWebの、単一の知識ソースに限られる。 しかし、企業は、ローカルとWebコーパスの両方で検索ツールを活用できるプライベートなディープ検索システムを必要とすることが多い。 フラット強化学習(RL)を用いて複数の検索ツールを備えたエージェントを訓練することは簡単なアイデアであるが、訓練データ効率の低下や複雑なツールの熟達度の低下といった問題もある。 上記の課題に対処するため,階層的エージェント型ディープ検索フレームワークであるHierSearchを提案し,階層的RLで学習した。 低レベルにおいては、ローカルなディープサーチエージェントとWebのディープサーチエージェントがトレーニングされ、対応するドメインから証拠を検索する。 高レベルでは、プランナーエージェントが低レベルのエージェントをコーディネートし、最終回答を提供する。 さらに, 直接回答の複写や誤りの伝播を防止するため, 低レベルのエージェントが返す幻覚や無関係な証拠を除去する知識精錬機を設計する。 実験により、HierSearchはフラットなRLよりも優れたパフォーマンスを示し、一般、ファイナンス、医療ドメインの6つのベンチマークにおいて、さまざまなディープ検索およびマルチソース検索拡張生成ベースラインを上回っている。

関連論文リスト

• From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
  推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。 静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。 我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
  論文  参考訳（メタデータ） (2025-06-23T17:27:19Z)
• ManuSearch: Democratizing Deep Search in Large Language Models with a Transparent and Open Multi-Agent Framework [73.91207117772291]
  ManuSearchは,大規模言語モデル(LLM)の深層検索を民主化するために設計された,透明でモジュール化されたマルチエージェントフレームワークである。 ManuSearchは検索と推論のプロセスを,(1)サブクエリを反復的に定式化するソリューション計画エージェント,(2)リアルタイムWeb検索を通じて関連文書を検索するインターネット検索エージェント,(3)生のWebコンテンツから重要な証拠を抽出する構造化Webページ読取エージェントの3つに分解する。
  論文  参考訳（メタデータ） (2025-05-23T17:02:02Z)
• SimpleDeepSearcher: Deep Information Seeking via Web-Powered Reasoning Trajectory Synthesis [89.99161034065614]
  Retrieval-augmented Generation (RAG) システムは複雑なディープ検索シナリオにおいて高度な大規模言語モデル(LLM)を持つ。 既存のアプローチでは、高品質なトレーニングトラジェクトリが欠如し、分散ミスマッチに苦しむ、重要な制限に直面しています。 本稿では,複雑なトレーニングパラダイムではなく,戦略的データエンジニアリングによるギャップを埋めるフレームワークであるSimpleDeepSearcherを紹介する。
  論文  参考訳（メタデータ） (2025-05-22T16:05:02Z)
• DeepResearcher: Scaling Deep Research via Reinforcement Learning in Real-world Environments [20.498100965239818]
  我々は、LLMベースのディープリサーチエージェントのエンドツーエンドトレーニングのための、初の総合的なフレームワークであるDeepResearcherを紹介する。 固定コーパス内にすべての必要な情報が存在すると仮定するRAGベースのアプローチとは異なり、我々の手法はオープンウェブのノイズ、非構造化、動的性質をナビゲートするエージェントを訓練する。 オープンドメインの研究タスクに関する大規模な実験は、DeepResearcherがエンジニアリングベースの素早いベースラインよりも最大28.9ポイントの大幅な改善を達成していることを示している。
  論文  参考訳（メタデータ） (2025-04-04T04:41:28Z)

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。