論文の概要: Doctor-RAG: Failure-Aware Repair for Agentic Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2604.00865v1
• Date: Wed, 01 Apr 2026 13:13:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.001818
• Title: Doctor-RAG: Failure-Aware Repair for Agentic Retrieval-Augmented Generation
• Title（参考訳）: Dr-RAG: エージェント検索強化ジェネレーションの故障認識修復
• Abstract要約: エージェント検索・拡張生成(Agentic RAG)は,質問応答や複雑な知識推論のパラダイムとして広く採用されている。 既存のアプローチでは、診断分析で停止するか、検索推論パイプライン全体を再実行することで、このような障害に対処するのが一般的である。 本稿では,Agenic RAGの異常を明示的エラーローカライゼーションとプレフィックス再利用によって修正する統合診断・修復フレームワークであるDoctor-RAGを提案する。
• 参考スコア（独自算出の注目度）: 23.961760006898157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic Retrieval-Augmented Generation (Agentic RAG) has become a widely adopted paradigm for multi-hop question answering and complex knowledge reasoning, where retrieval and reasoning are interleaved at inference time. As reasoning trajectories grow longer, failures become increasingly common. Existing approaches typically address such failures by either stopping at diagnostic analysis or rerunning the entire retrieval-reasoning pipeline, which leads to substantial computational overhead and redundant reasoning. In this paper, we propose Doctor-RAG (DR-RAG), a unified diagnose-and-repair framework that corrects failures in Agentic RAG through explicit error localization and prefix reuse, enabling minimal-cost intervention. DR-RAG decomposes failure handling into two consecutive stages: (i) trajectory-level failure diagnosis and localization, which attributes errors to a coverage-gated taxonomy and identifies the earliest failure point in the reasoning trajectory; and (ii) tool-conditioned local repair, which intervenes only at the diagnosed failure point while maximally reusing validated reasoning prefixes and retrieved evidence. By explicitly separating error attribution from correction, DR-RAG enables precise error localization, thereby avoiding expensive full-pipeline reruns and enabling targeted, efficient repair. We evaluate DR-RAG across three multi-hop question answering benchmarks, multiple agentic RAG baselines, and different backbone models. Experimental results demonstrate that DR-RAG substantially improves answer accuracy while significantly reducing reasoning token consumption compared to rerun-based repair strategies.
• Abstract（参考訳）: エージェント検索・拡張生成(Agentic RAG)は,検索と推論を推論時にインターリーブするマルチホップ質問応答と複雑な知識推論のパラダイムとして広く採用されている。 推論軌道が長くなるにつれて、失敗はますます一般的になる。 既存のアプローチは、診断分析で停止するか、検索推論パイプライン全体を再実行することで、そのような障害に対処する。 本稿では,エージェントRAGの異常を明示的なエラーローカライゼーションとプレフィックス再利用によって修正し,最小コストの介入を可能にする統合診断・修復フレームワークであるDoctor-RAG(DR-RAG)を提案する。 DR-RAGは障害処理を2段階に分割する。 一 軌道レベルの故障診断及び位置決めであって、範囲有格分類に起因し、推論軌道における最初期の故障点を特定すること。 二 ツール条件の局所的な修理であって、診断された障害点のみに介入し、検証された推論の接頭辞を最大限に再利用し、証拠を回収すること。 エラー属性を補正から明示的に分離することにより、DR-RAGは正確なエラーローカライゼーションを可能にし、高価な全パイプの再実行を回避し、ターゲットとした効率的な修復を可能にする。 3つのマルチホップ質問応答ベンチマーク、複数のエージェントRAGベースライン、異なるバックボーンモデルでDR-RAGを評価する。 実験の結果,DR-RAGの解答精度は,再実行型修復法に比べて有意に向上した。

関連論文リスト

• Diagnosis Before Recovery: Turning Agent Failures into Selective Self-Correction [22.654396704495934]
  開発セット障害は、どのリカバリ介入が許容可能かを決定することにより、欠落診断基板の一部を回復することができる。 DARCは、タスクファミリー障害モードをプロファイリングし、共有リカバリライブラリから不正な介入を発生させ、検証者選択によるデプロイメント成功コストポリシーを凍結する、診断誘導型リカバリハーネスである。
  論文  参考訳（メタデータ） (2026-08-12T08:14:45Z)
• Diagnosing and Repairing Factual Errors in RAG under Budget Constraints [3.9980186127766935]
  本稿では,D2R-RAG(Diagnose-to-Repair RAG)を提案する。 D2R-RAGは、クエリ内の観測可能な信号から解釈可能な障害シグネチャを導き、エビデンスを検索し、生成した応答を導出し、明示的なレイテンシとVRAM制約の下で小さな修正アクションのセットから選択する。
  論文  参考訳（メタデータ） (2026-06-28T13:01:35Z)
• Skill-RAG: Failure-State-Aware Retrieval Augmentation via Hidden-State Probing and Skill Routing [12.09179106162719]
  本稿では,隠れ状態のプローバとプロンプトベースのスキルルータを結合した障害対応RAGフレームワークであるSkill-RAGを提案する。 実験により,Skill-RAGは多ターン検索後に持続するハードケースの精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2026-04-17T07:25:43Z)
• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• From Conflict to Consensus: Boosting Medical Reasoning via Multi-Round Agentic RAG [65.0203623486525]
  大規模言語モデル(LLM)は、医学的質問応答において高い推論能力を示す。 幻覚や時代遅れの知識を生み出す傾向は、医療分野において重大なリスクをもたらす。 既存の手法はノイズの多いトークンレベルの信号に依存しており、複雑な推論に必要なマルチラウンドの改良は欠如している。
  論文  参考訳（メタデータ） (2026-02-06T08:25:30Z)
• When Iterative RAG Beats Ideal Evidence: A Diagnostic Study in Scientific Multi-hop Question Answering [0.2796197251957245]
  我々は,同期反復検索と推論が,理想化された静的上界(Gold Context)RAGを超えることができるかどうかを考察した。 我々は,<i>No Context</i>,<i>Gold Context</i>,<i>Gold Context</i>,<i>Gold Context</i>,<i>Iterative RAG</i>,<i>Gold Context</i>,<i>Gold Context</i>,<i>Gold Context</i>,<i>I。 モデル全体では、Iterative RAGはゴールドコンテキストを一貫して上回り、特に非推論では最大25.6ポイントまで上昇する。
  論文  参考訳（メタデータ） (2026-01-27T17:35:05Z)
• Agentic Memory Enhanced Recursive Reasoning for Root Cause Localization in Microservices [19.187189391947815]
  Site Reliability Engineers (SRE) 障害の根本原因をローカライズする。 従来のグラフベースのディープラーニングアプローチは、事前に定義されたスキーマに大きく依存することが多い。 本稿では,ルート原因ローカライゼーションのためのエージェントメモリ拡張フレームワークAMER-RCLを紹介する。
  論文  参考訳（メタデータ） (2026-01-06T05:50:14Z)
• Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
  大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。 我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
  論文  参考訳（メタデータ） (2025-10-16T05:35:37Z)
• Enhancing Retrieval Augmentation via Adversarial Collaboration [50.117273835877334]
  我々は「検索幻覚」に対処するため、Adrial Collaboration RAG(AC-RAG)フレームワークを提案する。 AC-RAGは、知識ギャップを識別するジェネリスト検出器と、正確な解決策を提供するドメイン特化リゾルバという2つの異種エージェントを使用している。 実験により、AC-RAGは検索精度を大幅に向上し、様々な垂直領域における最先端RAG法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-18T08:54:20Z)
• Credible Plan-Driven RAG Method for Multi-Hop Question Answering [2.5772544412212985]
  PDCA(Plan-Do-Check-Act)サイクルにインスパイアされた新しいフレームワークであるPAR-RAG(Plan-then-Act-and-Review RAG)を提案する。 Par-RAGは、現在の質問の意味的な複雑さにマッチした例を選び、複雑さを意識したトップダウンプランニングをガイドする。 二重検証機構は、中間誤差を評価し修正し、推論プロセスが事実上基底のままであることを保証する。
  論文  参考訳（メタデータ） (2025-04-23T15:03:17Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(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。 RAGパイプラインは、モデル推論が得られ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。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)

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。