論文の概要: Progressive Disclosure for LLM-Maintained Wiki Knowledge Bases: a Preregistered Ablation
- arxiv url: http://arxiv.org/abs/2607.04576v1
- Date: Mon, 06 Jul 2026 01:03:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.982997
- Title: Progressive Disclosure for LLM-Maintained Wiki Knowledge Bases: a Preregistered Ablation
- Title（参考訳）: LLM-Mintained Wiki Knowledge Bases のプログレッシブな開示:事前登録によるアブレーション
- Abstract要約: 4つのコーパスの4つのバージョンは、エージェントがどのようにコンテンツに到達するかにのみ異なる、事前登録されたアブレーションを実行する。
私たちは、家族横断の裁判官で検証された金の基準に対して盲目で答える。
この研究は、評価の妥当性に関するケーススタディとして、それを作成したツールに脅威と妥当性の規律を適用した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM agents increasingly answer questions against knowledge bases they help maintain. A common intuition holds that progressive disclosure, a compact catalog plus a one-line summary per page so the agent loads only what it needs, should make this cheaper than consulting a large monolithic index. We test that on a real 709-page markdown wiki maintained by an LLM. We retrofit it for progressive disclosure and run a preregistered ablation in which four versions of the corpus differ only in how the agent reaches the content: page bodies are byte-identical across arms, frozen as immutable git tags, so any measured difference is due to access structure alone. We cross the arms with three access conditions (a protocol-constrained agent, a free self-routing agent, and a catalog-preload regime) and grade answers blind against verified gold references with a cross-family judge. A pilot upended the premise: a capable tool-using agent never loads the index, inferring a page's path from the question and reading it directly, so the specific saving the retrofit targets does not materialize. We therefore made answer quality primary and cost secondary. Quality is non-inferior (the retrieval arm matches the index baseline within the preregistered margin) while cost falls in every regime, from about a third for a self-routing agent to well over half under catalog-preload, all confidence intervals excluding zero. The saving comes not from avoiding the index load but from more targeted access: the retrieval arm cites fewer pages and takes fewer tool turns. The study doubles as a case study in evaluation validity, applying threat-to-validity discipline to the tooling that produced it.
- Abstract（参考訳）: LLMエージェントは、彼らが維持するのに役立つ知識ベースに対して、ますます疑問に答える。
一般的な直観では、プログレッシブな開示、コンパクトなカタログ、ページごとの1行の要約、エージェントが必要とするものだけを読み込むようにすることで、巨大なモノリシックなインデックスを照会するよりも、これを安くするべきである。
LLMが保持する709ページのマークダウンwikiでテストする。
我々は、プログレッシブな開示のためにそれを再調整し、4つのコーパスの4つのバージョンは、エージェントがコンテンツに到達する方法によって異なる:ページ本体は、腕にまたがってバイト単位であり、不変なgitタグとして凍結されるため、測定された差は、アクセス構造のみに起因する。
我々は,3つのアクセス条件(プロトコル制約エージェント,自由自走エージェント,カタログプレロードレギュレーション)で腕を交差させ,家族間の審査員による検証された金の参照に対して盲目で回答する。
有能なツール使用エージェントがインデックスをロードせず、質問からページのパスを推測して直接読み取るため、特定のリファインメントターゲットの保存は実現しない。
そのため、回答の質を第一にし、コストを第二にしました。
品質は低い(検索アームは事前登録されたマージン内のインデックスベースラインと一致する)が、コストはすべてのレシエーションで減少し、セルフルーティングエージェントの約3分の1から、カタログプレロードの約半分、ゼロを除くすべての信頼区間まで低下する。
インデックスのロードを避けるのではなく、よりターゲットのアクセスによって節約される。検索アームはページ数を減らし、ツールのターンを減らします。
この研究は、評価の妥当性に関するケーススタディとして、それを作成したツールに脅威と妥当性の規律を適用した。
関連論文リスト
- Iris: Climbing to the Search Frontier [21.066541702697112]
我々は35B-A3Bスケールと397B-A17Bスケールでトレーニングされた2つの検索エージェントであるIris-miniとIris-proを紹介する。
論文 参考訳（メタデータ） (2026-09-03T17:51:01Z) - Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。
反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
論文 参考訳（メタデータ） (2026-09-02T08:10:22Z) - ROPE: Routed Origin Policy Enforcement against Indirect Prompt Injection [61.4148196085256]
本稿では,信頼という構造概念に根ざしたROPE(Routed Origin Policy Enforcement)について述べる。
提案手法では,(1)軌道の各段階において,攻撃可能コンテンツのみを起点とする値が,原点保護パラメータに到達しない,(2)注入のリワードがない,という2つの保証が認められている。
論文 参考訳（メタデータ） (2026-08-27T01:22:14Z) - From Association to Causation: Improving Retrieval Precision of Retrieval-Augmented Generation via Causal Relations and an Attention Mechanism [23.0538048682894]
我々は,ライヒェンバッハの共通原因原理に基づく因果グラフを用いて,終端検索段階をモデル化する。
検索された文書はコライダー(A−>d−B)であるため、検索自体がクエリとBの関連経路を開く。
知識内容内の因果関係をモデル化する因果関係強化RAG変種とは異なり、我々のグラフは検索プロセス自体の因果構造をモデル化する。
論文 参考訳（メタデータ） (2026-08-22T00:31:06Z) - FinSAgent: Corpus-Aligned Multi-Agent RAG Framework for Evidence-Grounded SEC Filing Question Answering [16.415865984091667]
FinSAgentはエビデンスベースのマルチエージェントフレームワークで、SECのQA申請をコーパス対応の検索計画として再編成している。
FinSAgentは、強力なシングルエージェントとマルチエージェントのベースラインに対する検索カバレッジと回答の正しさを改善している。
論文 参考訳（メタデータ） (2026-07-20T16:03:15Z) - Is Progressive Disclosure All You Need for Long-Context Agents? [6.214989743502112]
Agentic AIはより広範な選択肢を提案し、エージェントにドキュメントパスを与え、読み方と読み方を決定する。
Agent Skills – エージェントに専門知識をパッケージングするための標準で、要求に応じてロードし、プログレッシブ開示という、準備の整ったメカニズムを提供する。
原文書ナビゲーションとエージェントスキルパックのいくつかの設計を古典的ハイブリッドレトリバーと比較し,このパターンを初めて制御した研究を行った。
論文 参考訳（メタデータ） (2026-07-20T06:35:32Z) - Bridge Evidence: Static Retrieval Utility Does Not Predict Causal Utility in Multi-Step Agentic Search [3.976291254896486]
検索システムは、有用性の静的なアイデアに基づいて訓練され、評価される。
言語モデルが検索エージェントとして機能し、いくつかのクエリを発行し、ターンにまたがる推論を行うとき、それは壊れる。
私たちは1000の開発質問をリプレイし、エージェントが読んだすべてのドキュメントに対して、それを削除し、その時点から残りのトラジェクトリを再実行します。
論文 参考訳（メタデータ） (2026-07-16T17:48:29Z) - Selection Integrity for LLM Graph Memory: An Accumulability Criterion for Information-Flow-Blind Retrieval [16.858503871105135]
我々は、先制防衛のクラス全体が建設によって盲目であることが示している。
長期グラフメモリは、書き込み可能なグラフ構造よりもグローバルな選択ステップを実行する。
一般の免疫症例とオープン症例を,確認したチョークポイント条件下で証明する。
論文 参考訳（メタデータ） (2026-06-10T16:26:46Z) - Constrained Dominant Sets for Multimodal Document Question Answering [6.071121358322323]
長いマルチモーダルな文書質問応答は、取得された量よりも、証拠が読み手に届く程度に制限される。
この研究は、クエリ拡張親和性グラフ上の制約付き支配セットとしてエビデンスを選択するレトリバーを導入する。
論文 参考訳（メタデータ） (2026-06-05T13:24:46Z) - Towards Retrieving Interaction Spaces for Agentic Search [62.666902610940525]
最近の直接コーパス(DCI)の研究は、エージェントが5.4のインタラクションやファイル読み取りといったシェルツールを通じて生コーパスと対話できることを示している。
エージェント検索における検索の役割は, LLMコンテキストウィンドウに適合する文書を選択することだけではなく, インタラクション空間を構築することにある。
論文 参考訳（メタデータ） (2026-06-05T03:47:40Z) - Scaling Self-Evolving Agents via Parametric Memory [69.96398842169002]
既存のメモリ拡張LDMエージェントは、過去の経験をプロンプト空間にのみ保存する。
自己進化型パラメトリックメモリフレームワークである textttTMEM を導入する。
textttTMEMは、様々なモデルスケールで要約ベースのベースラインと検索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） (2026-06-03T07:18:31Z) - Retrieval as Reasoning: Self-Evolving Agent-Native Retrieval via LLM-Wiki [6.956097396264084]
LLMエージェントは、検索をワンショットのコンテキストフェッチのように振る舞うのではなく、推論のように振る舞う必要がある。
現在、RAG(Retrieval-Augmented Generation)システムは、類似性を埋め込んだフラットチャンクとして外部知識を整理している。
本稿では,外部知識をコンパイル可能,構成可能,自己進化的構造として扱うことにより,検索パラダイムを運用するエージェントネイティブ検索システム LLM-Wiki を提案する。
論文 参考訳（メタデータ） (2026-05-25T06:36:14Z) - Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。
このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。
IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
論文 参考訳（メタデータ） (2026-05-03T19:13:11Z) - Prism-Reranker: Beyond Relevance Scoring -- Jointly Producing Contributions and Evidence for Agentic Retrieval [0.0]
Qwen3.5上に4つのサイズ(0.8B, 2B, 4B, 9B)で構築されたリランカーモデルのファミリーであるPrism-Rerankerを紹介する。
標準のye/no関連判断に加えて、評決がYesであるたびに、モデルはドキュメントがクエリをどのように助けるかを要約したコントリビューションステートメントを発行する。
同じレシピが既存のLCMベースのリランカーを拡張し、Qwen3-Reranker-4Bのコントリビューションとエビデンス機能を強化している。
論文 参考訳（メタデータ） (2026-04-26T14:28:48Z) - The Library Theorem: How External Organization Governs Agentic Reasoning Capacity [0.0]
I/O ページとして変換器のコンテキストウィンドウを形式化する。
インデックス付き外部メモリを持つツール拡張エージェントは、シーケンシャルスキャンに制限されたエージェントよりも指数関数的に検索コストが低いことを証明した。
論文 参考訳（メタデータ） (2026-03-22T15:02:56Z) - 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) - DSI++: Updating Transformer Memory with New Documents [95.70264288158766]
DSI++は、DSIが新たなドキュメントをインクリメンタルにインデクシングするための継続的な学習課題である。
新たな文書の連続的な索引付けは,それまでの索引付け文書をかなり忘れてしまうことを示す。
文書の擬似クエリをサンプルとして生成メモリを導入し、連続的なインデックス付け中に補足することで、検索タスクの忘れを防止する。
論文 参考訳（メタデータ） (2022-12-19T18:59:34Z)
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。