論文の概要: Self-Correcting Long-Horizon Search Agents via Tree-Structured Memory

• arxiv url: http://arxiv.org/abs/2608.10676v1
• Date: Tue, 11 Aug 2026 08:56:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.968635
• Title: Self-Correcting Long-Horizon Search Agents via Tree-Structured Memory
• Title（参考訳）: 木構造記憶による自己補正長軸探索エージェント
• Abstract要約: 本稿では,検索エージェントのための自己修正木構造記憶機構ReTreeを提案する。 ReTreeは、ソースリンクされたエビデンスを保持しながら、ステップごとのコンテキスト境界を構築する。 4つの公開質問回答と検索ベンチマークの実験は、ReTreeが一貫してFull-Trajectory ReActを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 20.351040137738398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM)-based search agents answer questions through multi-step interactions with external environments. However, providing complete execution trajectories to the LLM causes unbounded context growth and introduces noise. Existing compression methods reduce context at the cost of important details and often replace erroneous facts without repairing downstream reasoning derived from them. To address this problem, we propose ReTree, a self-correcting tree-structured memory mechanism for search agents. ReTree constructs a bounded per-step reasoning context while preserving source-linked evidence. It models search as an evidence tree whose nodes store bounded summaries, evidence, and revision histories. When newly retrieved evidence contradicts an earlier claim, ReTree traces back to the node where the claim was introduced, replaces outdated evidence, regenerates summaries, prunes affected branches, and resumes search. Source-grounded evidence provenance supports reliable conflict localization and keeps final claims traceable to retrieved passages. Experiments on four public question-answering and search benchmarks show that ReTree consistently outperforms Full-Trajectory ReAct, improving answer accuracy by up to 25.6 percentage points (pp); the average maximum per-step reasoning context of Full-Trajectory ReAct is $1.27$--$1.51\times$ that of ReTree. These results establish ReTree as an effective self-correcting memory abstraction for long-horizon search.
• Abstract（参考訳）: 大規模言語モデル (LLM) に基づく探索エージェントは, 外部環境との多段階的な対話を通じて質問に答える。 しかし、LLMに完全な実行軌跡を提供すると、コンテキストが無制限に成長し、ノイズが発生する。 既存の圧縮手法は、重要な詳細を犠牲にしてコンテキストを減らし、しばしばそれらから派生した下流の推論を修復することなく誤った事実を置き換える。 この問題に対処するため,検索エージェントのための自己修正木構造記憶機構であるReTreeを提案する。 ReTreeは、ソースリンクされたエビデンスを保持しながら、ステップごとのコンテキスト境界を構築する。 ノードが有界なサマリー、エビデンス、リビジョン履歴を格納するエビデンスツリーとして検索をモデル化する。 新たに検索された証拠が以前の主張と矛盾すると、ReTreeはクレームが導入されたノードに遡り、古いエビデンスを置き換え、サマリーを再生し、影響を受けたブランチをプルースし、検索を再開する。 根拠に基づく証拠証明は、信頼性のある競合のローカライゼーションをサポートし、最終的なクレームは検索されたパスにトレース可能である。 4つの公開質問回答と検索のベンチマークの実験では、ReTreeが一貫してFull-Trajectory ReActを上回り、回答精度を最大25.6ポイント(pp)改善している。 これらの結果から,ReTreeは長期探索に有効な自己修正メモリ抽象化として確立された。

関連論文リスト

• TreeSeeker: Tree-Structured Trial, Error, and Return in Deep Search [43.554579524244495]
  TreeSeekerは、ディープ検索における試行錯誤を制御するための推論時フレームワークである。 木構造状態に対する分岐と復帰の探索として探索を組織し、各分岐はサブゴールの仮方向である。 TreeSeekerは、オープンソースのベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-10T05:10:19Z)
• PruneRAG: Confidence-Guided Query Decomposition Trees for Efficient Retrieval-Augmented Generation [19.832367438725306]
  PruneRAGは、安定かつ効率的な推論を行うために構造化されたクエリ分解ツリーを構築する。 我々は,ゴールデンエビデンスを回収するが正しく使用しない事例を定量化するための指標として,エビデンス予測率を定義した。
  論文  参考訳（メタデータ） (2026-01-16T06:38:17Z)
• ToM: Leveraging Tree-oriented MapReduce for Long-Context Reasoning in Large Language Models [107.86069298500855]
  ToMは、長期コンテキスト推論のための新しいツリー指向MapReduceフレームワークである。 ToM は既存の分割・クエリー・フレームワークや検索拡張生成手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-01T10:43:58Z)
• TreeRare: Syntax Tree-Guided Retrieval and Reasoning for Knowledge-Intensive Question Answering [10.597526246308938]
  反復的かつ適応的な検索は、複雑で知識集約的な質問を解決するための有望なアプローチであることが示されている。 本研究では,構文木を利用した質問応答のための情報検索と推論のためのフレームワークであるTreeRareを提案する。 TreeRareは、既存の最先端メソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-05-31T01:07:50Z)
• Don't Get Lost in the Trees: Streamlining LLM Reasoning by Overcoming Tree Search Exploration Pitfalls [83.89771461061903]
  検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。 検証者による木探索アルゴリズムの最近の進歩は、大規模言語モデル(LLM)の推論能力を大幅に向上させた。 意味論的に等価なコンテンツを持つ冗長な状態による$textitover-Exploration$と、検証器のスコアリングにおける高いばらつきに起因する$textitunder-Exploration$である。 各種木探索アルゴリズムに適合するフレキシブルなプラグアンドプレイシステムであるFETCHを提案する。
  論文  参考訳（メタデータ） (2025-02-16T16:12:01Z)
• ReTreever: Tree-based Coarse-to-Fine Representations for Retrieval [64.44265315244579]
  そこで本研究では,様々なレベルで参照文書を整理し,表現するためのツリーベース手法を提案する。 我々の手法はReTreeverと呼ばれ、クエリと参照ドキュメントが同様のツリーブランチに割り当てられるように、バイナリツリーの内部ノード毎のルーティング関数を共同で学習する。 我々の評価では、ReTreeverは一般的に完全な表現精度を保っている。
  論文  参考訳（メタデータ） (2025-02-11T21:35:13Z)
• Tree of Reviews: A Tree-based Dynamic Iterative Retrieval Framework for Multi-hop Question Answering [0.18849131083278733]
  マルチホップ質問応答のための動的検索フレームワークであるTree of Reviews (ToR)を提案する。 ToRは検索および応答生成の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-04-22T09:25:05Z)
• Probabilistic Tree-of-thought Reasoning for Answering Knowledge-intensive Complex Questions [93.40614719648386]
  大規模言語モデル(LLM)は、知識集約的な複雑な質問にチェーン・オブ・シント(CoT)推論で答えることができる。 最近の研究は、CoT推論を強化するための外部知識の回収に向けられている。 確率的ツリー・オブ・シント推論(ProbTree)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-23T12:52:37Z)
• Tree Prompting: Efficient Task Adaptation without Fine-Tuning [112.71020326388029]
  Tree Promptingはプロンプトの決定ツリーを構築し、複数のLMコールをリンクしてタスクを解決する。 分類データセットの実験により、Tree Promptingは競合するメソッドよりも精度が向上し、微調整と競合することが示された。
  論文  参考訳（メタデータ） (2023-10-21T15:18:22Z)
• Entailment Tree Explanations via Iterative Retrieval-Generation Reasoner [56.08919422452905]
  我々はIRGR(Iterative Retrieval-Generation Reasoner)と呼ばれるアーキテクチャを提案する。 本モデルでは,テキストの前提からステップバイステップの説明を体系的に生成することにより,与えられた仮説を説明することができる。 前提条件の検索と細分化木の生成に関する既存のベンチマークを上回り、全体の正しさはおよそ300%向上した。
  論文  参考訳（メタデータ） (2022-05-18T21:52:11Z)

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。