論文の概要: AgenticRAG: Tool-Augmented Foundation Models for Zero-Shot Explainable Recommender Systems

• arxiv url: http://arxiv.org/abs/2510.02668v1
• Date: Fri, 03 Oct 2025 01:52:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.234767
• Title: AgenticRAG: Tool-Augmented Foundation Models for Zero-Shot Explainable Recommender Systems
• Title（参考訳）: AgenticRAG: ゼロショット説明可能なレコメンダシステムのためのツール拡張基盤モデル
• Authors: Bo Ma, Hang Li, ZeHua Hu, XiaoFan Gui, LuYao Liu, Simon Liu,
• Abstract要約: AgenticRAGはツール拡張基盤モデルと検索拡張生成を組み合わせた新しいフレームワークで、ゼロショットで説明可能なレコメンデーションを提供する。 提案手法では,外部ツールの実行,知識検索,チェーン・オブ・シークレット推論を統合して,自律的な推薦エージェントを作成する。
• 参考スコア（独自算出の注目度）: 4.720605681761044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models have revolutionized artificial intelligence, yet their application in recommender systems remains limited by reasoning opacity and knowledge constraints. This paper introduces AgenticRAG, a novel framework that combines tool-augmented foundation models with retrieval-augmented generation for zero-shot explainable recommendations. Our approach integrates external tool invocation, knowledge retrieval, and chain-of-thought reasoning to create autonomous recommendation agents capable of transparent decision-making without task-specific training. Experimental results on three real-world datasets demonstrate that AgenticRAG achieves consistent improvements over state-of-the-art baselines, with NDCG@10 improvements of 0.4\% on Amazon Electronics, 0.8\% on MovieLens-1M, and 1.6\% on Yelp datasets. The framework exhibits superior explainability while maintaining computational efficiency comparable to traditional methods.
• Abstract（参考訳）: ファウンデーションモデルは人工知能に革命をもたらしたが、不透明さと知識の制約を推論することによって推奨システムへの応用は制限されている。 本稿では,ツール拡張基盤モデルと検索拡張生成を組み合わせた新しいフレームワークであるAgenticRAGを紹介し,ゼロショット説明可能なレコメンデーションを提案する。 提案手法では,外部ツールの実行,知識検索,チェーン・オブ・思想推論を統合して,タスク固有のトレーニングを必要とせず,透明性のある意思決定が可能な自律的推薦エージェントを作成する。 実世界の3つのデータセットの実験結果によると、AgenticRAGは最先端のベースラインに対して一貫した改善を達成しており、NDCG@10ではAmazon Electronicsが0.4\%、MovieLens-1Mが0.8\%、Yelpデータセットが1.6\%となっている。 このフレームワークは、従来の手法に匹敵する計算効率を維持しながら、優れた説明性を示す。

関連論文リスト

• Toward Effective Tool-Integrated Reasoning via Self-Evolved Preference Learning [68.89572566071575]
  Tool-Integrated Reasoning (TIR)により、大きな言語モデル(LLM)は、外部ツールを統合することで、内部推論能力を改善することができる。 提案するTool-Lightは,LDMがTIRを効率的にかつ正確に実行できるようにするためのフレームワークである。 10個のデータセットの実験結果は、ツールライトの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-27T12:53:37Z)
• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• Augmented Reinforcement Learning Framework For Enhancing Decision-Making In Machine Learning Models Using External Agents [0.0]
  本研究は,意思決定能力向上のための新しい手法である強化強化学習フレームワークを提案する。 外部エージェントは、人間や自動スクリプトのような、決定経路の修正に役立つ誰でもよい。 このフレームワークには、2つの外部エージェントが組み込まれており、コース修正とトレーニングサイクルのすべてのポイントにおける品質データの保証を支援する。
  論文  参考訳（メタデータ） (2025-08-03T06:17:44Z)
• RecLLM-R1: A Two-Stage Training Paradigm with Reinforcement Learning and Chain-of-Thought v1 [20.92548890511589]
  本稿では,Large Language Models(LLM)を利用したレコメンデーションフレームワークであるRecLLM-R1を紹介する。 RecLLM-R1は、精度、多様性、新規性など、さまざまな評価指標において、既存のベースラインメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-06-24T01:39:34Z)
• KARE-RAG: Knowledge-Aware Refinement and Enhancement for RAG [63.82127103851471]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデルがより広範な知識ソースにアクセスすることを可能にする。 ノイズの多いコンテンツを処理するために生成モデルの能力を向上させることは、ロバストなパフォーマンスに等しく重要であることを実証する。 本稿では,3つの重要なイノベーションを通じて知識利用を改善するKARE-RAGを提案する。
  論文  参考訳（メタデータ） (2025-06-03T06:31:17Z)
• ReAgent-V: A Reward-Driven Multi-Agent Framework for Video Understanding [71.654781631463]
  ReAgent-Vは、新しいエージェントビデオ理解フレームワークである。 推論中に効率の良いフレーム選択とリアルタイムの報酬生成を統合する。 12のデータセットに対する大規模な実験は、一般化と推論において大きな成果を上げている。
  論文  参考訳（メタデータ） (2025-06-02T04:23:21Z)
• LARES: Latent Reasoning for Sequential Recommendation [96.26996622771593]
  本稿では、シークエンシャルレコメンデーションのための新しいスケーラブルなLatent ReasoningフレームワークであるLARESを紹介する。 提案手法では,パラメータの複雑性を増大させることなく推理深度を柔軟に拡張できる再帰的アーキテクチャを用いている。 我々のフレームワークは既存の高度なモデルとのシームレスな互換性を示し、推奨性能をさらに向上させる。
  論文  参考訳（メタデータ） (2025-05-22T16:22:54Z)
• Effective and Transparent RAG: Adaptive-Reward Reinforcement Learning for Decision Traceability [16.87554947089102]
  本稿では,強化学習(RL)を用いて学習した透過的なRAG生成フレームワークであるARENAを提案する。 構造化された生成と適応的な報酬計算に基づいて、我々のRLベースのトレーニングにより、重要な証拠を特定し、構造化された推論を行い、解釈可能な決定トレースで回答を生成することができる。
  論文  参考訳（メタデータ） (2025-05-19T15:40:29Z)
• Feature Fusion for Improved Classification: Combining Dempster-Shafer Theory and Multiple CNN Architectures [1.0678175996321808]
  本稿では、DST(Dempster-Shafer Theory)を利用して、複数の事前学習モデルを統合し、より信頼性が高く拡張された分類を提供するアンサンブルを形成する新しいアルゴリズムを提案する。 CIFAR-10とCIFAR-100データセットでいくつかの実験が行われ、提案したDST法より優れた分類精度が示された。
  論文  参考訳（メタデータ） (2024-05-23T20:44:10Z)

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。