論文の概要: DualResearch: Entropy-Gated Dual-Graph Retrieval for Answer Reconstruction
- arxiv url: http://arxiv.org/abs/2510.08959v1
- Date: Fri, 10 Oct 2025 03:10:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 00:38:48.031009
- Title: DualResearch: Entropy-Gated Dual-Graph Retrieval for Answer Reconstruction
- Title（参考訳）: DualResearch: Entropy-Gated Dual-Graph Retrieval for Answer Reconstruction
- Authors: Jinxin Shi, Zongsheng Cao, Runmin Ma, Yusong Hu, Jie Zhou, Xin Li, Lei Bai, Liang He, Bo Zhang,
- Abstract要約: DualResearchはツール集約推論の構造にマッチする検索および融合フレームワークである。
オープンソースのInternAgentのログファイルを使用して、安定して、効果的に回答を再構築する。
HLEとGPQAの科学的推論ベンチマークでは、DualResearchは競争性能を達成している。
- 参考スコア（独自算出の注目度）: 31.358590975457542
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deep-research framework orchestrates external tools to perform complex, multi-step scientific reasoning that exceeds the native limits of a single large language model. However, it still suffers from context pollution, weak evidentiary support, and brittle execution paths. To address these issues, we propose DualResearch, a retrieval and fusion framework that matches the epistemic structure of tool-intensive reasoning by jointly modeling two complementary graphs: a breadth semantic graph that encodes stable background knowledge, and a depth causal graph that captures execution provenance. Each graph has a layer-native relevance function, seed-anchored semantic diffusion for breadth, and causal-semantic path matching with reliability weighting for depth. To reconcile their heterogeneity and query-dependent uncertainty, DualResearch converts per-layer path evidence into answer distributions and fuses them in log space via an entropy-gated rule with global calibration. The fusion up-weights the more certain channel and amplifies agreement. As a complement to deep-research systems, DualResearch compresses lengthy multi-tool execution logs into a concise reasoning graph, and we show that it can reconstruct answers stably and effectively. On the scientific reasoning benchmarks HLE and GPQA, DualResearch achieves competitive performance. Using log files from the open-source system InternAgent, its accuracy improves by 7.7% on HLE and 6.06% on GPQA.
- Abstract（参考訳）: ディープリサーチフレームワークは、単一の大きな言語モデルのネイティブ限界を超える複雑な多段階の科学的推論を実行するために、外部ツールを編成する。
しかし、それはいまだにコンテキスト汚染、弱点の弱いサポート、脆弱な実行パスに悩まされている。
これらの問題に対処するため、我々は2つの相補的なグラフを共同でモデル化することにより、ツール集約推論の疫学構造に一致する検索・融合フレームワークであるDualResearchと、実行実績を捉える深さ因果グラフを提案する。
各グラフは、層状関連関数、幅に対するシード・アンコール・セマンティック拡散、深さに対する信頼性重み付けと一致する因果・セマンティックパスを有する。
それらの不均一性とクエリ依存の不確実性を理解するために、DualResearchは層間パスエビデンスを解答分布に変換し、グローバルキャリブレーションを持つエントロピーゲートルールを通じてログ空間に融合する。
融合はより特定のチャネルをアップウェイトし、合意を増幅する。
ディープリサーチシステムの補完として,DualResearchは,長いマルチツール実行ログを簡潔な推論グラフに圧縮し,安定かつ効果的に回答を再構築可能であることを示す。
HLEとGPQAの科学的推論ベンチマークでは、DualResearchは競争性能を達成している。
オープンソースのInternAgentのログファイルを使用すると、その精度はHLEが7.7%、GPQAが6.06%向上する。
関連論文リスト
- BifrostRAG: Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety [11.079426930790458]
多くのコンプライアンス関連のクエリはマルチホップであり、リンクされた節間で情報を合成する必要がある。
これは、従来の検索拡張世代(RAG)システムにとっての課題である。
本稿では、言語関係と文書構造の両方を明示的にモデル化した二重グラフRAG統合システムであるBifrostRAGを紹介する。
論文 参考訳（メタデータ） (2025-07-18T03:39:14Z) - DuetGraph: Coarse-to-Fine Knowledge Graph Reasoning with Dual-Pathway Global-Local Fusion [16.36735193072491]
DuetGraphは、二重経路グローバル局所融合を伴う粗大なKG推論機構である。
ローカル(メッセージパッシング)とグローバル(注意)情報を2つの異なる経路に分離することで、過密化に取り組む。
推論品質が8.7%向上し、トレーニング効率が1.8$times$Acceleratorになった。
論文 参考訳（メタデータ） (2025-07-15T11:59:15Z) - Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。
既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。
近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。
KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文 参考訳（メタデータ） (2025-06-11T12:03:52Z) - Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval [22.33550491040999]
RAGは、大きな言語モデルを外部の証拠に基礎を置いているが、セマンティックに遠く離れた文書で答えをまとめなければならないと、いまだに混乱している。
私たちは、StatementGraphRAGとTopicGraphRAGという2つのプラグイン・アンド・プレイレトリバーを構築します。
提案手法は,検索リコールと正当性において平均23.1%の相対的改善を達成し,有意なチャンクベースRAGよりも優れていた。
論文 参考訳（メタデータ） (2025-06-09T17:58:35Z) - Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。
Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。
本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
論文 参考訳（メタデータ） (2025-05-22T05:15:27Z) - ROGRAG: A Robustly Optimized GraphRAG Framework [45.947928801693266]
グラフベースの検索強化生成(GraphRAG)は、動的検索のためのグラフとしてドメイン知識を構造化することによってこの問題に対処する。
既存のパイプラインには複雑なエンジニアリングが含まれており、個々のコンポーネントの影響を分離することは困難である。
本稿では,ロバストに最適化されたGraphRAGフレームワークであるROGRAGを紹介する。
論文 参考訳（メタデータ） (2025-03-09T06:20:24Z) - Don't Get Lost in the Trees: Streamlining LLM Reasoning by Overcoming Tree Search Exploration Pitfalls [83.89771461061903]
検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。
検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。
意味論的に等価なコンテンツを持つ冗長な状態による$textitover-Exploration$と、検証器のスコアリングにおける高いばらつきに起因する$textitunder-Exploration$である。
各種木探索アルゴリズムに適合するフレキシブルなプラグアンドプレイシステムであるFETCHを提案する。
論文 参考訳（メタデータ） (2025-02-16T16:12:01Z) - Asymmetric Transfer Hashing with Adaptive Bipartite Graph Learning [95.54688542786863]
既存のハッシュ法では、クエリと検索サンプルは同じドメイン内の同質な特徴空間にあると仮定する。
教師なし/半教師付き/教師付き実現のための非対称トランスファーハッシュ(ATH)フレームワークを提案する。
非対称ハッシュ関数と二部グラフを共同最適化することにより、知識伝達が達成できるだけでなく、特徴アライメントによる情報損失も回避できる。
論文 参考訳（メタデータ） (2022-06-25T08:24:34Z)
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。