論文の概要: IE as Cache: Information Extraction Enhanced Agentic Reasoning
- arxiv url: http://arxiv.org/abs/2604.14930v1
- Date: Thu, 16 Apr 2026 12:18:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.886011
- Title: IE as Cache: Information Extraction Enhanced Agentic Reasoning
- Title（参考訳）: IE as Cache: 情報抽出によるエージェント推論の強化
- Authors: Hang Lv, Sheng Liang, Hongchao Gu, Wei Guo, Defu Lian, Yong Liu, Hao Wang, Enhong Chen,
- Abstract要約: 情報抽出は、構造化されていないテキストから構造化された決定関連情報を抽出することを目的としている。
我々は,IEを認知キャッシュとして再利用し,エージェント推論を強化するフレームワークであるtextitIE-as-Cacheを提案する。
- 参考スコア（独自算出の注目度）: 82.00741114456727
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Information Extraction aims to distill structured, decision-relevant information from unstructured text, serving as a foundation for downstream understanding and reasoning. However, it is traditionally treated merely as a terminal objective: once extracted, the resulting structure is often consumed in isolation rather than maintained and reused during multi-step inference. Moving beyond this, we propose \textit{IE-as-Cache}, a framework that repurposes IE as a cognitive cache to enhance agentic reasoning. Drawing inspiration from hierarchical computer memory, our approach combines query-driven extraction with cache-aware reasoning to dynamically maintain compact intermediate information and filter noise. Experiments on challenging benchmarks across diverse LLMs demonstrate significant improvements in reasoning accuracy, indicating that IE can be effectively repurposed as a reusable cognitive resource and offering a promising direction for future research on downstream uses of IE.
- Abstract（参考訳）: 情報抽出は、非構造化テキストから構造化された決定関連情報を抽出することを目的としており、下流の理解と推論の基礎となっている。
しかし、伝統的に終末目的として扱われる:一度抽出されると、結果として得られる構造は、マルチステップ推論中に維持され再利用されるのではなく、しばしば孤立して消費される。
そこで我々は,IEを認知キャッシュとして再利用し,エージェント推論を強化するフレームワークである,‘textit{IE-as-Cache}’を提案する。
階層型コンピュータメモリからインスピレーションを得た本手法では,クエリ駆動抽出とキャッシュ認識推論を併用して,コンパクトな中間情報とフィルタノイズを動的に維持する。
様々なLSMにわたる挑戦的なベンチマークの実験では、推論精度が大幅に向上し、IEを再利用可能な認知リソースとして効果的に再利用できることが示され、IEの下流利用に関する将来の研究に有望な方向を提供する。
関連論文リスト
- NaviRAG: Towards Active Knowledge Navigation for Retrieval-Augmented Generation [50.16741209529908]
NaviRAGは、パッシブセグメント検索からアクティブな知識ナビゲーションに移行する新しいフレームワークである。
NaviRAGは従来のRAGベースラインよりも検索リコールとエンドツーエンドの応答性能を一貫して改善することを示す。
論文 参考訳（メタデータ） (2026-04-14T14:07:01Z) - LiveWeb-IE: A Benchmark For Online Web Information Extraction [48.82654261583883]
Web情報抽出(WIE)は、Webページから自動的にデータを抽出するタスクであり、様々なアプリケーションに高いユーティリティを提供する。
ライブWebサイトに対して,WIEシステムを直接評価するための新しいベンチマークである,データセットを導入する。
また,Webページコンテンツを視覚的に絞り込み,所望の情報を抽出することで,人間の認知過程を模倣する新しい多段階エージェントフレームワークであるVisual Grounding Scraper (VGS)を提案する。
論文 参考訳（メタデータ） (2026-03-14T05:55:11Z) - LaSER: Internalizing Explicit Reasoning into Latent Space for Dense Retrieval [74.72139580745511]
LaSERは、レトリバーの潜在空間に明示的な推論を内部化する、新しい自己蒸留フレームワークである。
提案手法は, 明示的なCoTパイプラインの推論深度と, 標準的な高密度検索器の推論効率をうまく組み合わせる。
論文 参考訳（メタデータ） (2026-03-02T04:11:18Z) - ICA: Information-Aware Credit Assignment for Visually Grounded Long-Horizon Information-Seeking Agents [26.361688266083988]
本稿では,Webページを視覚的スナップショットとして表現するビジュアルネイティブ検索フレームワークを提案する。
本稿では、検索した各スナップショットの最終的な結果への貢献を推定するポストホック法である情報認識クレジット割り当て(ICA)を紹介する。
我々のアプローチは、多様な情報検索ベンチマークでテキストベースのベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-02-11T13:50:19Z) - WebCoT: Enhancing Web Agent Reasoning by Reconstructing Chain-of-Thought in Reflection, Branching, and Rollback [78.55946306325914]
有効なWebエージェントに必要な重要な推論スキルを同定する。
我々はエージェントの推論アルゴリズムを連鎖論理に再構成する。
このアプローチは、複数のベンチマークで大幅に改善される。
論文 参考訳（メタデータ） (2025-05-26T14:03:37Z) - Scent of Knowledge: Optimizing Search-Enhanced Reasoning with Information Foraging [11.377241012645994]
InForageは、動的情報探索プロセスとして検索強化推論を形式化する強化学習フレームワークである。
我々は,複雑な実世界のWebタスクに対する反復探索と推論のトラジェクトリをキャプチャするヒューマンガイドデータセットを構築した。
これらの結果は、堅牢で適応的で効率的な推論エージェントの構築におけるInForageの有効性を強調している。
論文 参考訳（メタデータ） (2025-05-14T12:13:38Z) - Augmented Commonsense Knowledge for Remote Object Grounding [67.30864498454805]
エージェントナビゲーションを改善するための時間的知識グラフとして,コモンセンス情報を活用するための拡張コモンセンス知識モデル(ACK)を提案する。
ACKは知識グラフ対応のクロスモーダルとコンセプトアグリゲーションモジュールで構成され、視覚的表現と視覚的テキストデータアライメントを強化する。
我々は、より正確な局所的な行動予測につながるコモンセンスに基づく意思決定プロセスのための新しいパイプラインを追加します。
論文 参考訳（メタデータ） (2024-06-03T12:12:33Z) - Compressing Long Context for Enhancing RAG with AMR-based Concept Distillation [17.156915103545728]
大規模言語モデル(LLM)は情報取得に大きく貢献している。
Retrieval Augmented Generation (RAG)は、外部の非パラメトリック知識を取り入れることで、この制限に対処する。
本稿では,抽象表現(AMR)に基づく概念蒸留アルゴリズムを用いた新しい概念ベースRAGフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-06T00:18:43Z)
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。