論文の概要: Explainable Innovation Engine: Dual-Tree Agent-RAG with Methods-as-Nodes and Verifiable Write-Back

• arxiv url: http://arxiv.org/abs/2603.09192v1
• Date: Tue, 10 Mar 2026 05:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.045238
• Title: Explainable Innovation Engine: Dual-Tree Agent-RAG with Methods-as-Nodes and Verifiable Write-Back
• Title（参考訳）: 説明可能なイノベーションエンジン: メソッド・アズ・ノードと検証可能な書き込みバックを備えたデュアルトレーエージェント・RAG
• Authors: Renwei Meng,
• Abstract要約: 本稿では,知識単位をテキストチャンクからメソッド・アズ・ノードにアップグレードする説明可能なイノベーションエンジンを提案する。 エンジンは、トレース可能な導出のための重み付きメソッド証明ツリーと、効率的なトップダウンナビゲーションのための階層的クラスタリング抽象化ツリーを維持している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) improves factual grounding, yet most systems rely on flat chunk retrieval and provide limited control over multi-step synthesis. We propose an Explainable Innovation Engine that upgrades the knowledge unit from text chunks to methods-as-nodes. The engine maintains a weighted method provenance tree for traceable derivations and a hierarchical clustering abstraction tree for efficient top-down navigation. At inference time, a strategy agent selects explicit synthesis operators (e.g., induction, deduction, analogy), composes new method nodes, and records an auditable trajectory. A verifier-scorer layer then prunes low-quality candidates and writes validated nodes back to support continual growth. Expert evaluation across six domains and multiple backbones shows consistent gains over a vanilla baseline, with the largest improvements on derivation-heavy settings, and ablations confirm the complementary roles of provenance backtracking and pruning. These results suggest a practical path toward controllable, explainable, and verifiable innovation in agentic RAG systems. Code is available at the project GitHub repository https://github.com/xiaolu-666113/Dual-Tree-Agent-RAG.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) は現実のグラウンド化を改善するが、ほとんどのシステムはフラットなチャンク検索に依存し、マルチステップ合成の限定的な制御を提供する。 本稿では,知識単位をテキストチャンクからメソッド・アズ・ノードにアップグレードする説明可能なイノベーションエンジンを提案する。 エンジンは、トレース可能な導出のための重み付きメソッド証明ツリーと、効率的なトップダウンナビゲーションのための階層的クラスタリング抽象化ツリーを維持している。 推論時に、戦略エージェントは明示的な合成演算子(例えば、誘導、推論、類似)を選択し、新しいメソッドノードを作成し、監査可能な軌跡を記録する。 検証器・スカラー層は、低品質の候補を抽出し、検証済みのノードを再度書き込み、継続的な成長をサポートする。 6つのドメインと複数のバックボーンの専門家による評価は、バニラベースラインよりも一貫した利得を示し、派生重度設定の最大の改善と、前向きなバックトラッキングとプルーニングの相補的な役割を証明している。 これらの結果は、エージェントRAGシステムにおける制御可能、説明可能、検証可能な革新への実践的な道のりを示唆している。 コードはプロジェクトのGitHubリポジトリhttps://github.com/xiaolu-666113/Dual-Tree-Agent-RAGで公開されている。

関連論文リスト

• NERFIFY: A Multi-Agent Framework for Turning NeRF Papers into Code [49.610331036334316]
  我々はNeRF研究論文をトレーニング可能なNerfstudioプラグインに確実に変換するフレームワークであるNERFIFYを紹介する。 コード、データ、実装が公開される。
  論文  参考訳（メタデータ） (2026-02-28T20:57:32Z)
• A-RAG: Scaling Agentic Retrieval-Augmented Generation via Hierarchical Retrieval Interfaces [34.59674580962045]
  本稿では,階層型検索インタフェースを直接モデルに公開するエージェントRAGフレームワークであるA-RAGを紹介する。 A-RAGはキーワード検索、セマンティック検索、チャンク読み取りという3つの検索ツールを提供する。 複数のオープンドメインQAベンチマークの実験は、A-RAGが既存のアプローチを同等または低いトークンで一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-02-03T12:07:21Z)
• TreePS-RAG: Tree-based Process Supervision for Reinforcement Learning in Agentic RAG [71.06073770344732]
  エージェント検索強化生成(RAG)は、推論と情報検索の多段階的な相互作用として質問応答を定式化する。 エージェントRAGのためのオンラインツリーベースRLフレームワークであるTreePS-RAGについて述べる。
  論文  参考訳（メタデータ） (2026-01-11T14:07:30Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• cAST: Enhancing Code Retrieval-Augmented Generation with Structural Chunking via Abstract Syntax Tree [39.50252992647112]
  大規模コード生成にはRAG(Retrieval-Augmented Generation)が不可欠である。 我々の研究は、検索強化されたコードインテリジェンスをスケールする上で、構造対応のチャンキングの重要性を強調している。
  論文  参考訳（メタデータ） (2025-06-18T17:31:51Z)
• ReTreever: Tree-based Coarse-to-Fine Representations for Retrieval [64.44265315244579]
  そこで本研究では,様々なレベルで参照文書を整理し,表現するためのツリーベース手法を提案する。 我々の手法はReTreeverと呼ばれ、クエリと参照ドキュメントが同様のツリーブランチに割り当てられるように、バイナリツリーの内部ノード毎のルーティング関数を共同で学習する。 我々の評価では、ReTreeverは一般的に完全な表現精度を保っている。
  論文  参考訳（メタデータ） (2025-02-11T21:35:13Z)
• Entailment Tree Explanations via Iterative Retrieval-Generation Reasoner [56.08919422452905]
  我々はIRGR(Iterative Retrieval-Generation Reasoner)と呼ばれるアーキテクチャを提案する。 本モデルでは,テキストの前提からステップバイステップの説明を体系的に生成することにより,与えられた仮説を説明することができる。 前提条件の検索と細分化木の生成に関する既存のベンチマークを上回り、全体の正しさはおよそ300%向上した。
  論文  参考訳（メタデータ） (2022-05-18T21:52:11Z)
• Adaptive Recursive Circle Framework for Fine-grained Action Recognition [95.51097674917851]
  ビデオにおける微粒な空間時間ダイナミクスのモデル化は、アクション認識にとって難しい問題である。 既存のほとんどのメソッドは、純粋なフィードフォワード方式でレイヤの特徴を生成する。 本稿では,純粋なフィードフォワード層のための微細なデコレータであるAdaptive Recursive Circleフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-25T14:24:29Z)

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。