論文の概要: When Thinking Before Retrieval Hurts: TraceBound Diagnostics for Adaptive Knowledge-Graph Retrieval

• arxiv url: http://arxiv.org/abs/2607.24800v1
• Date: Mon, 06 Jul 2026 09:16:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.073526
• Title: When Thinking Before Retrieval Hurts: TraceBound Diagnostics for Adaptive Knowledge-Graph Retrieval
• Title（参考訳）: Retrieval Hurts: Adaptive Knowledge-Graph RetrievalのためのTraceBound診断
• Abstract要約: TraceBoundは、テキストリッチな知識グラフ上でARKスタイルの検索を行うための軽量なプロファイルおよびトレース条件付き診断プロトコルである。 テキストリッチな知識グラフ上でARKスタイルの検索を行うための軽量なプロファイルおよびトレース条件付き診断プロトコルであるTraceBoundを導入することで、この前提について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adaptive retrieval promises to make knowledge-graph question answering more robust by letting a controller search, inspect neighborhoods, revise actions, and stop when evidence is sufficient. We study this premise by introducing TraceBound, a lightweight profile- and trace-conditioned diagnostic protocol for an ARK-style retriever on text-rich knowledge graphs. TraceBound exposes a compact query profile before retrieval, issues short trace hints after observable failure symptoms, and logs trajectory counters, while keeping graph data, tools, gold labels, and ranking metrics fixed. Across STaRK validation and held-out subsets, the added conditioning improves inspectability but consistently reduces retrieval quality under open-weight controllers. Paired trajectory analysis localizes the degradation to repeated calls, zero-result calls, and misallocated exploration budget, while stricter interaction budgets shorten trajectories without repairing the policy. The result diagnoses the common failure mode in that "thinking before retrieval'' must be evaluated as a control problem over action selection, not as a prompt-format change.
• Abstract（参考訳）: アダプティブ検索は、コントローラーが検索し、近隣を検査し、行動を修正し、証拠が十分であれば停止することで、知識グラフの質問により堅牢に答えることを約束する。 テキストリッチな知識グラフ上でARKスタイルの検索を行うための軽量なプロファイルおよびトレース条件付き診断プロトコルであるTraceBoundを導入することで、この前提について検討する。 TraceBoundは、検索の前にコンパクトなクエリプロファイルを公開し、観測可能な障害症状の後、短いトレースヒントを発行し、グラフデータ、ツール、ゴールドラベル、ランキングメトリクスを固定しつつ、ログのトラジェクタを発行する。 STaRKバリデーションとホールトアウトサブセット全体で、追加の条件付けにより検査性が向上するが、オープンウェイトコントローラでの検索品質は一貫して低下する。 Paired trajectory解析は、繰り返しの呼び出し、ゼロ・リサート・コール、間違った場所の探索予算への劣化をローカライズする一方、より厳格な相互作用予算は、ポリシーを修復することなく軌道を短縮する。 その結果,「検索前の思考」が行動選択に対する制御問題として評価されなければならないという共通障害モードを,即時変化としてではなく,診断する。

関連論文リスト

• SearchAtlas: Analyzing Agentic Search Strategies via Evidential Query Graphs [30.494397052362384]
  本稿では,検索トラジェクトリを構造化グラフに変換するフレームワークであるSearchAtlasを紹介する。 我々の自動解析パイプラインは、人間の注釈付きグラフに対して86.4%の平均エッジF1を達成する。 我々は3つのベンチマークで5つの検索エージェントを分析し、検索尺度とエビデンスアグリゲーションの体系的な違いを明らかにした。
  論文  参考訳（メタデータ） (2026-09-09T23:09:26Z)
• InsightSeg: Reusing Correction Insights for Guideline-Consistent Segmentation [4.501547677532766]
  本稿では,修正エピソードを再利用可能な視覚的根拠に変換するエピソード記憶機構であるInsightSegを紹介する。 InsightSegは、AcrossとCityscapesで、最初のパスと最後のガイドライン一貫性セグメンテーションのパフォーマンスを改善し、改善ステップを少なくする。
  論文  参考訳（メタデータ） (2026-09-02T02:22:35Z)
• What Resolve Rate Hides: Trajectory Structure Diagnostics for Coding Agents [14.988334585821939]
  コーディングエージェントは、ほぼ完全に解決率でランク付けされる。 単一のパス/フェイルラベルは、なぜ実行が失敗したのか、なぜ承認された実行が追加のステップ、時間、トークンを費やしたのかについて何も述べていない。 TraceProbeは、リゾルフレートが隠すものを回復するトラジェクトリに依存しないフレームワークである。
  論文  参考訳（メタデータ） (2026-07-07T12:09:46Z)
• Unsupervised Skill Discovery for Agentic Data Analysis [55.42853694128929]
  DataCOPEは、データ分析エージェントのための教師なし検証対象のスキル発見フレームワークである。 トラジェクトリ生成のためのデータ分析エージェント、信号抽出のための教師なし検証器、および対照的なスキル蒸留のためのスキルマネージャを反復的にコーディネートする。 我々は,Deep Data Researchのレポートスタイル分析とDABStepの推論スタイル解析についてDataCOPEを評価した。
  論文  参考訳（メタデータ） (2026-06-04T17:20:47Z)
• Cycle-Consistent Search: Question Reconstructability as a Proxy Reward for Search Agent Training [80.20022221643414]
  Cycle-Consistent Searchは、検索エージェントを訓練するための金色のスーパービジョンのないフレームワークである。 CCSは教師付きベースラインに匹敵する性能を示す。 これらの結果から,CCSは金の監督が不可能な環境で検索エージェントを訓練するためのスケーラブルな訓練パラダイムを提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-04-14T17:00:18Z)
• S-Path-RAG: Semantic-Aware Shortest-Path Retrieval Augmented Generation for Multi-Hop Knowledge Graph Question Answering [10.112212302226615]
  S-Path-RAGは,大規模知識グラフ上でのマルチホップ質問応答を改善するためのフレームワークである。 S-Path-RAGは、有界長、意味的に重み付けされた候補経路を列挙することによって、一発のテキスト重み付き検索から離脱する。 我々は、標準的なマルチホップKGQAベンチマークと、改善と診断分析を通じてS-Path-RAGを検証する。
  論文  参考訳（メタデータ） (2026-03-05T14:22:23Z)
• Test-Time Graph Search for Goal-Conditioned Reinforcement Learning [56.13800388912632]
  オフライン目標条件強化学習(GCRL)は、テスト時にユーザが指定した目標に到達するポリシーを訓練する。 GCRLタスクを解決するための軽量な計画手法であるTTGS(Test-Time Graph Search)を導入する。 TTGSは任意の状態空間距離やコスト信号を受け入れ、データセット状態の上に重み付きグラフを構築し、凍結ポリシーが実行する一連のサブゴールを高速に検索する。
  論文  参考訳（メタデータ） (2025-10-08T17:20:53Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• DQS: A Low-Budget Query Strategy for Enhancing Unsupervised Data-driven Anomaly Detection Approaches [3.3482093430607267]
  本研究は,既存の教師なし異常検出手法とアクティブラーニングを統合した。 我々は、DQS(dissimilarity-based query strategy)と呼ばれる新しいクエリ戦略を導入する。
  論文  参考訳（メタデータ） (2025-09-06T09:50:10Z)
• RTracker: Recoverable Tracking via PN Tree Structured Memory [71.05904715104411]
  本稿では,木構造メモリを用いてトラッカーと検出器を動的に関連付け,自己回復を可能にするRTrackerを提案する。 具体的には,正負と負のターゲットサンプルを時系列に保存し,維持する正負のツリー構造メモリを提案する。 我々の中核となる考え方は、正と負の目標カテゴリーの支持サンプルを用いて、目標損失の信頼性評価のための相対的距離に基づく基準を確立することである。
  論文  参考訳（メタデータ） (2024-03-28T08:54:40Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。