論文の概要: ToE: A Hierarchical and Explainable Claim Verification Framework with Dynamic Multi-source Evidence Retrieval and Aggregation

• arxiv url: http://arxiv.org/abs/2606.27736v1
• Date: Fri, 26 Jun 2026 05:35:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.375212
• Title: ToE: A Hierarchical and Explainable Claim Verification Framework with Dynamic Multi-source Evidence Retrieval and Aggregation
• Title（参考訳）: ToE: 動的マルチソースエビデンス検索と集約を備えた階層的で説明可能なクレーム検証フレームワーク
• Abstract要約: ToEは、自動化された事実チェックのための階層的なエビデンス推論フレームワークである。 ToEは、強化学習駆動型マルチソース検索エージェント、エビデンス評価エージェント、および引数ツリー集約アルゴリズムを統合する。 ToEは、競争ベースラインよりも4～24ポイントの改善を実現していることを示す。
• 参考スコア（独自算出の注目度）: 23.934630478971517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid spread of fake news poses increasing threats to information ecosystems, especially as AI-generated misinformation under Generative Engine Optimization (GEO) poisoning allows adversarially crafted content to be systematically surfaced by retrieval systems, contaminating LLM reasoning. In this paper, we propose Tree of Evidence (ToE), a hierarchical evidence reasoning framework for automated fact-checking that models each claim as a dynamically expanding argument tree. ToE integrates a reinforcement learning-driven multi-source retrieval agent, an evidence evaluation agent, and an argument tree aggregation algorithm to iteratively decompose, retrieve, and verify claims through an explainable evidence chain. We further provide a theoretical analysis of the retrieval process, deriving a formal error bound that guarantees the learned policy converges to a neighborhood of the information-theoretically optimal policy. Experiments across multiple datasets and backbone LLMs demonstrate that ToE achieves improvements ranging from 4 to 24 percentage points over competitive baselines, with particularly pronounced gains on adversarially poisoned inputs.
• Abstract（参考訳）: フェイクニュースの急速な拡散は情報エコシステムへの脅威を増大させ、特にジェネレーティブエンジン最適化(GEO)によるAI生成の誤報は、敵対的に作られたコンテンツを検索システムによって体系的に浮上させ、LSM推論を汚染する。 本稿では,各クレームを動的に拡張する引数ツリーとしてモデル化する自動事実チェックのための階層的証拠推論フレームワークであるツリー・オブ・エビデンス(ToE)を提案する。 ToEは、強化学習駆動マルチソース検索エージェント、エビデンス評価エージェント、および引数ツリー集約アルゴリズムを統合して、説明可能なエビデンスチェーンを介してクレームを反復的に分解、検索、検証する。 さらに、学習されたポリシーが情報理論的に最適なポリシーの近傍に収束することを保証する形式的エラー境界を導出した、検索プロセスの理論解析を行う。 複数のデータセットとバックボーンLSMにわたる実験により、ToEは競争ベースラインよりも4～24ポイントの改善を実現している。

関連論文リスト

• Cross-platform epistemic verification for improving factual reliability in AI-generated news summarization [0.0]
  本研究では,AIによるニュース要約オプションのためのマルチソース・エビデンス・コンセンサス検証(MECV)を提案する。 単一の検索チャンネルに依存する代わりに、MECVはソースドキュメント、ウィキペディア、オープンウェブ検索を含む複数の異種情報源から証拠を収集する。
  論文  参考訳（メタデータ） (2026-08-05T18:01:24Z)
• HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
  我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。 HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。 報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-27T23:50:46Z)
• DeepRefine: Agent-Compiled Knowledge Refinement via Reinforcement Learning [60.35032268606525]
  エージェントコンパイルされた知識ベースは、下流タスクにおいて、大きな言語モデル(LLM)エージェントに対して永続的な外部知識を提供する。 しかし、その品質は、不完全性、不完全性、浮揚性によって体系的に制限される
  論文  参考訳（メタデータ） (2026-05-11T12:48:31Z)
• Multi-Sourced, Multi-Agent Evidence Retrieval for Fact-Checking [47.47518672198846]
  インターネット上に拡散する誤報は、社会と個人の両方に重大な脅威をもたらす。 これまでの方法は、トレーニングデータから学んだ意味的パターンと社会的コンテキスト的パターンに依存していた。 我々は、証拠のコアリソースとして認証されたオープンナレッジグラフを利用するWKGFCを提案する。
  論文  参考訳（メタデータ） (2026-02-27T19:29:01Z)
• How Much Reasoning Do Retrieval-Augmented Models Add beyond LLMs? A Benchmarking Framework for Multi-Hop Inference over Hybrid Knowledge [26.8497597881469]
  HybridRAG-Benchは、ハイブリッド知識よりも検索集約的なマルチホップ推論を評価するためのベンチマークを構築するためのフレームワークである。 そこで,HybridRAG-Benchはパラメトリックリコールよりも真の検索と推論に報いることを示す。
  論文  参考訳（メタデータ） (2026-02-10T19:04:01Z)
• ExDR: Explanation-driven Dynamic Retrieval Enhancement for Multimodal Fake News Detection [23.87220484843729]
  マルチモーダルのフェイクニュースは 深刻な社会的脅威を引き起こします Dynamic Retrieval-Augmented Generationはキーワードベースの検索をトリガーすることで、有望なソリューションを提供する。 マルチモーダルフェイクニュース検出のための説明駆動動的検索生成フレームワークであるExDRを提案する。
  論文  参考訳（メタデータ） (2026-01-22T10:10:06Z)
• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• VAR: Visual Attention Reasoning via Structured Search and Backtracking [49.427842994857635]
  構造化された検索としてグラウンドド推論をリキャストするフレームワークであるVisual Attention Reasoningを紹介する。 VARは、推論プロセスを2つの重要な段階に分解する。 我々は、我々の7BモデルであるVAR-7Bが、幻覚と安全性のベンチマークの包括的なスイートに新しい最先端を設定していることを示します。
  論文  参考訳（メタデータ） (2025-10-21T13:18:44Z)
• From Evidence to Trajectory: Abductive Reasoning Path Synthesis for Training Retrieval-Augmented Generation Agents [47.06655345033574]
  我々は,RAGエージェント開発のためのエビアンコール推論経路合成パラダイムであるEviPathを提案する。 EviPath は、 (i) 問題をサブクエストに分解し、それら間の依存関係に基づいて最適なソリューションパスを反復的に計画する、 (i) サブクエストの各サブクエストに対する推論思考と回答を生成するためのプロキシ環境を構築するための証拠を裏付ける、忠実なサブクエスト回答、 (iii) 完全なエージェント-環境相互作用の軌跡を監督されたファインタニングに適した対話形式にフォーマットする会話ファインタニングを含む。
  論文  参考訳（メタデータ） (2025-09-27T02:53:09Z)
• WebWeaver: Structuring Web-Scale Evidence with Dynamic Outlines for Open-Ended Deep Research [73.58638285105971]
  本稿では,AIエージェントが膨大なWebスケール情報を洞察に富むレポートに合成しなければならない複雑な課題であるtextbfopen-ended Deep Research (OEDR) に取り組む。 人間の研究プロセスをエミュレートする新しいデュアルエージェントフレームワークである textbfWebWeaver を紹介する。 私たちのフレームワークは、DeepResearch Bench、DeepConsult、DeepResearchGymなど、主要なOEDRベンチマークにまたがる最先端の新たなベンチマークを確立しています。
  論文  参考訳（メタデータ） (2025-09-16T17:57:21Z)
• Retrieval-Augmented Generation by Evidence Retroactivity in LLMs [19.122314663040726]
  Retroactive Retrieval-Augmented Generation(Retroactive Retrieval-Augmented Generation)は、レトロアクティブ推論パラダイムを構築するための新しいフレームワークである。 RetroRAGは証拠を修正・更新し、推論チェーンを正しい方向にリダイレクトする。 経験的評価は、RetroRAGが既存の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2025-01-07T08:57:42Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)

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。