論文の概要: ContraGen: A Multi-Agent Generation Framework for Enterprise Contradictions Detection

• arxiv url: http://arxiv.org/abs/2510.03418v1
• Date: Fri, 03 Oct 2025 18:24:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.03351
• Title: ContraGen: A Multi-Agent Generation Framework for Enterprise Contradictions Detection
• Title（参考訳）: ContraGen: エンタープライズコントラクション検出のためのマルチエージェント生成フレームワーク
• Authors: Ananya Mantravadi, Shivali Dalmia, Abhishek Mukherji, Nand Dave, Anudha Mittal,
• Abstract要約: ContraGenは、エンタープライズドメインに適した矛盾を認識したベンチマークフレームワークである。 私たちの貢献には、リアルなエンタープライズ文書の作成、ビジネスプロセスに共通する矛盾タイプの分類をモデル化することが含まれます。 この研究は、エンタープライズ情報検索アプリケーションにおいて、より信頼性が高く説明可能なRAGシステムの基盤を確立する。
• 参考スコア（独自算出の注目度）: 0.1077541993594101
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) integrates LLMs with external sources, offering advanced capabilities for information access and decision-making. However, contradictions in retrieved evidence can result in inconsistent or untrustworthy outputs, which is especially problematic in enterprise settings where compliance, governance, and accountability are critical. Existing benchmarks for contradiction detection are limited to sentence-level analysis and do not capture the complexity of enterprise documents such as contracts, financial filings, compliance reports, or policy manuals. To address this limitation, we propose ContraGen, a contradiction-aware benchmark framework tailored to enterprise domain. The framework generates synthetic enterprise-style documents with embedded contradictions, enabling systematic evaluation of both intra-document and cross-document consistency. Automated contradiction mining is combined with human-in-the-loop validation to ensure high accuracy. Our contributions include generating realistic enterprise documents, modeling a taxonomy of contradiction types common in business processes, enabling controlled creation of self- and pairwise contradictions, developing a contradiction-aware retrieval evaluation pipeline and embedding human oversight to reflect domain-specific judgment complexity. This work establishes a foundation for more trustworthy and accountable RAG systems in enterprise information-seeking applications, where detecting and resolving contradictions is essential for reducing risk and ensuring compliance.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG)は、LLMを外部ソースと統合し、情報アクセスと意思決定のための高度な機能を提供する。 しかし、回収された証拠の矛盾は、特にコンプライアンス、ガバナンス、説明責任が重要である企業環境では、一貫性のない、あるいは信頼できないアウトプットをもたらす可能性がある。 既存の矛盾検出のベンチマークは文レベルの分析に限られており、契約書、財務書類、コンプライアンスレポート、ポリシーマニュアルなどのエンタープライズ文書の複雑さを捉えていない。 この制限に対処するために、エンタープライズドメインに適した矛盾を意識したベンチマークフレームワークであるContraGenを提案する。 本フレームワークは,文書内整合性と文書間整合性の両方を体系的に評価し,コンフリクトを組み込んだ合成エンタープライズスタイルの文書を生成する。 自動矛盾マイニングは、高い精度を確保するために、人間のループ検証と組み合わせられる。 私たちの貢献は、リアルな企業文書の作成、ビジネスプロセスに共通する矛盾タイプの分類のモデル化、自己と対の矛盾の制御を可能にすること、矛盾を意識した評価評価パイプラインの開発、ドメイン固有の判断複雑さを反映した人間の監視の埋め込みなどです。 この研究は、企業情報検索アプリケーションにおいて、リスクの低減とコンプライアンスの確保に矛盾の検出と解決が不可欠である、より信頼性が高く説明可能なRAGシステムの基盤を確立する。

関連論文リスト

• ReliabilityRAG: Effective and Provably Robust Defense for RAG-based Web-Search [69.60882125603133]
  本稿では,検索した文書の信頼性情報を明確に活用する,敵対的堅牢性のためのフレームワークであるReliabilityRAGを提案する。 我々の研究は、RAGの回収されたコーパスの腐敗に対するより効果的で確実に堅牢な防御に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2025-09-27T22:36:42Z)
• Co-Investigator AI: The Rise of Agentic AI for Smarter, Trustworthy AML Compliance Narratives [2.7295959384567356]
  Co-Investigator AIは、SAR(Suspicious Activity Reports)の作成に最適化されたエージェントフレームワークであり、従来の方法よりも大幅に高速で精度が高い。 我々は、SARの草案作成を効率化し、物語を規制上の期待と一致させ、コンプライアンスチームが高次の分析作業に集中できるようにする能力を示します。
  論文  参考訳（メタデータ） (2025-09-10T08:16:04Z)
• AI-Supported Platform for System Monitoring and Decision-Making in Nuclear Waste Management with Large Language Models [1.6795461001108096]
  本稿では,大規模言語モデル(LLM)と文書検索機構を統合したマルチエージェント検索・拡張生成(RAG)システムを提案する。 このシステムは、規制決定が事実上基礎を保ち、進化する規制フレームワークに動的に適応することを保証する。
  論文  参考訳（メタデータ） (2025-05-27T20:29:53Z)
• AlignRAG: Leveraging Critique Learning for Evidence-Sensitive Retrieval-Augmented Reasoning [61.28113271728859]
  RAGは知識ベースで大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 標準的なRAGパイプラインは、モデル推論が取得した証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 本研究では,RAGをRetrieval-Augmented Reasoningと解釈し,中心的だが未探索な問題であるtextitReasoning Misalignmentを同定する。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Bridging the Gap in XAI-Why Reliable Metrics Matter for Explainability and Compliance [2.3020018305241337]
  この論文は、標準化された信頼性のあるメトリクスが欠如していることから、説明可能なAI(XAI)の評価における重要なギャップを強調している。 現在の評価手法は、しばしば断片化され、主観的、偏見的であり、複雑なモデルの評価を操作し複雑にする傾向がある。 我々は、堅牢で文脈に敏感な評価指標を開発するための広範な研究を提唱する。
  論文  参考訳（メタデータ） (2025-02-07T06:54:48Z)
• SparseCL: Sparse Contrastive Learning for Contradiction Retrieval [87.02936971689817]
  コントラディション検索(Contradiction Search)とは、クエリの内容に明示的に異を唱える文書を識別し、抽出することである。 類似性探索やクロスエンコーダモデルといった既存の手法には、大きな制限がある。 文間の微妙で矛盾したニュアンスを保存するために特別に訓練された文埋め込みを利用するSparseCLを導入する。
  論文  参考訳（メタデータ） (2024-06-15T21:57:03Z)
• Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
  合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。 バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。 多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-21T09:03:18Z)
• ADC: Adversarial attacks against object Detection that evade Context consistency checks [55.8459119462263]
  文脈整合性チェックさえも、適切に構築された敵の例に対して脆弱であることを示す。 このような防御を覆す実例を生成するための適応型フレームワークを提案する。 我々の結果は、コンテキストを堅牢にモデル化し、一貫性をチェックする方法はまだ未解決の問題であることを示している。
  論文  参考訳（メタデータ） (2021-10-24T00:25:09Z)
• Trustworthy Artificial Intelligence and Process Mining: Challenges and Opportunities [0.8602553195689513]
  プロセスマイニングは、AIコンプライアンスプロセスの実行に事実に基づく可視性を得るために有用なフレームワークを提供することができることを示す。 AI規制コンプライアンスプロセスの不確実性を分析し、修正し、監視する自動化アプローチを提供する。
  論文  参考訳（メタデータ） (2021-10-06T12:50:47Z)

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。