論文の概要: CoEvoKG: Co-Evolving Knowledge Graphs with Self-Evolving Search Agents

• arxiv url: http://arxiv.org/abs/2608.01904v1
• Date: Mon, 03 Aug 2026 08:39:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.413106
• Title: CoEvoKG: Co-Evolving Knowledge Graphs with Self-Evolving Search Agents
• Title（参考訳）: CoEvoKG: 自己進化型検索エージェントによる知識グラフの共進化
• Authors: Zhaoyang Li, Zenghuang Fu, Qiuyuan Ai, Ping Jiang, Haoyu Wu, Minghui Wu, Chenxu Zhao, Jie Song, Guannan He,
• Abstract要約: CoEvoKGは知識グラフを、検証可能なトレーニングタスクのソースと、エージェント進化のための永続的なエビデンスメモリに変換する。 検索が成功すると、CoEvoKGは検索した証拠を検証し、復号し、対応するグラフノードとエッジに書き戻す。
• 参考スコア（独自算出の注目度）: 24.448485225924106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models can improve with reinforcement learning for search agents, yet existing self play agents repeatedly generate tasks while discarding the knowledge gained during successful searches. We introduce CoEvoKG, a framework that turns a knowledge graph into both a source of verifiable training tasks and a persistent evidence memory for agent evolution. CoEvoKG jointly trains a task generator and a search agent: the generator creates multihop questions from entity chains sampled from the knowledge graph, while the agent learns from rewards for answer correctness and search trajectories whose entity paths are supported by graph evidence. When a search succeeds, CoEvoKG verifies and deduplicates the retrieved evidence, then writes it back to the corresponding graph nodes and edges. Future rounds reuse this enriched graph for task generation and reward computation, closing the loop between model self evolution and knowledge accumulation. Experiments on six QA benchmarks (NQ, TriviaQA, PopQA, HotpotQA, 2WikiMultiHopQA, and Bamboogle) with three backbone models show that CoEvoKG improves macro average accuracy over the corresponding base models by +11.2, +10.1, and +11.6 points on Qwen2.5-3B-Instruct, Qwen2.5-7B-Instruct, and Llama-3.1-8B-Instruct, respectively. Under matched training budgets, CoEvoKG further improves over competitive self play baselines and RL baselines for search agents by +2.6 to +3.7 macro average points across the three backbones. Code is available at https://github.com/lazzy1225/CoEvoKG.
• Abstract（参考訳）: 大きな言語モデルは、検索エージェントの強化学習によって改善されるが、既存のセルフプレイエージェントは、検索成功時に得られた知識を捨てながら、繰り返しタスクを生成する。 我々は、知識グラフを検証可能なトレーニングタスクのソースと、エージェント進化のための永続的なエビデンスメモリの両方に変換するフレームワークであるCoEvoKGを紹介します。 CoEvoKGはタスクジェネレータとサーチエージェントを共同でトレーニングする:ジェネレータは知識グラフからサンプリングされたエンティティチェーンからマルチホップ質問を生成する。 検索が成功すると、CoEvoKGは検索した証拠を検証し、復号し、対応するグラフノードとエッジに書き戻す。 将来のラウンドでは、この豊富なグラフをタスク生成と報酬計算のために再利用し、モデル自己進化と知識蓄積の間のループを閉じる。 バックボーンモデルを用いた6つのQAベンチマーク(NQ, TriviaQA, PopQA, HotpotQA, 2WikiMultiHopQA, Bamboogle)の実験では、CoEvoKGは、それぞれQwen2.5-3B-インストラクタ、Qwen2.5-7B-インストラクタ、Llama-3.1-8B-インストラクタで、対応するベースモデルのマクロ平均精度を+11.2, +10.1, +11.6ポイント改善している。 マッチしたトレーニング予算の下では、CoEvoKGは競争力のあるセルフプレイベースラインと検索エージェントのRLベースラインを3つのバックボーンで+2.6から+3.7マクロ平均ポイントで改善する。 コードはhttps://github.com/lazzy1225/CoEvoKGで入手できる。

関連論文リスト

• GRASP: Graph Agentic Search over Propositions for Multi-hop Question Answering [9.683512181435901]
  Graph Agentic Search over Propositions (GRASP)は,マルチホップ質問応答における高精度かつ最小限のトークン使用を同時に最適化するエージェントシステムである。 GRASPは、マルチホップクエリを依存性対応プランに分解することで、検索戦略を積極的に調整する。 We evaluate GRASP on MuSiQue, 2WikiMultihopQA, HotpotQA under two settings: open-corpus search and extended context reasoning (LongBench)。
  論文  参考訳（メタデータ） (2026-05-15T19:59:35Z)
• CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
  CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。 この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
  論文  参考訳（メタデータ） (2026-04-19T17:48:17Z)
• HLTCOE Evaluation Team at TREC 2025: VQA Track [76.85337417923331]
  HLT評価チームはTREC VQAのAnswer Generation (AG)タスクに参加した。 回答生成における意味的精度とランキングの整合性を改善することを目的としたリストワイズ学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-12-08T17:25:13Z)
• 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)
• RAGulating Compliance: A Multi-Agent Knowledge Graph for Regulatory QA [0.0]
  規制コンプライアンス質問応答(QA)は、正確で検証可能な情報を必要とする。 我々は、レギュレーション三重項の知識グラフ(KG)とレトリーバル拡張生成(RAG)を統合する新しいマルチエージェントフレームワークを提案する。 我々のハイブリッドシステムは、複雑な規制クエリにおいて従来の手法よりも優れており、組込み三重項による事実の正しさが保証されている。
  論文  参考訳（メタデータ） (2025-08-13T15:51:05Z)
• Retrieval-Augmented Visual Question Answering via Built-in Autoregressive Search Engines [17.803396998387665]
  Retrieval-augmented Generation (RAG)は、知識集約型視覚質問応答(VQA)タスクに対処するために登場した。 本稿では,知識に基づくVQAタスクに対する従来のRAGモデルの代替としてReAuSEを提案する。 我々のモデルは生成型検索器と正確な回答生成器の両方として機能する。
  論文  参考訳（メタデータ） (2025-02-23T16:39:39Z)
• Kolb-Based Experiential Learning for Generalist Agents with Human-Level Kaggle Data Science Performance [81.05882480184587]
  本稿では,自律エージェントに対するVygotskyのZPDを用いて,Kolbの学習サイクルの計算フレームワークを提案する。 Agent Kは、KolbとVygotskyにインスパイアされた人間の認知学習をうまく統合する第1のAIシステムである。 金9個、銀8個、銅12個で、メダル獲得競争で金4個、銀4個を含む。エージェントKは、コルブとヴィーゴツキーにインスパイアされた人間の認知学習をうまく統合する第1のAIシステムである。
  論文  参考訳（メタデータ） (2024-11-05T23:55:23Z)
• Graphusion: Leveraging Large Language Models for Scientific Knowledge Graph Fusion and Construction in NLP Education [14.368011453534596]
  フリーテキストからのゼロショット知識グラフフレームワークであるGraphusionを紹介する。 核融合モジュールは、エンティティのマージ、競合解決、新しい三重項発見を取り入れた三重項のグローバルなビューを提供する。 本評価は,リンク予測における教師付きベースラインの精度を最大10%超えることを示す。
  論文  参考訳（メタデータ） (2024-07-15T15:13:49Z)
• TRACE the Evidence: Constructing Knowledge-Grounded Reasoning Chains for Retrieval-Augmented Generation [30.485127201645437]
  本稿では,RAGモデルのマルチホップ推論能力を高めるためにTRACEを提案する。 TRACEは、論理的に連結された一連の知識三重項である知識基底推論連鎖を構成する。 TRACEは、取得したすべてのドキュメントと比較して、平均14.03%の性能向上を実現している。
  論文  参考訳（メタデータ） (2024-06-17T12:23:32Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)

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。