論文の概要: Navigation-Informed Embeddings: Dense-Retriever Adaptation from Agent Search Traces
- arxiv url: http://arxiv.org/abs/2608.15956v1
- Date: Sun, 16 Aug 2026 23:07:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.479446
- Title: Navigation-Informed Embeddings: Dense-Retriever Adaptation from Agent Search Traces
- Title（参考訳）: ナビゲーションインフォームド・エンベディング:エージェント検索トレースからのDense-Retriever Adaptation
- Abstract要約: 追跡対象の家系であるNIE(Navigation-Informed Embeddings)を紹介する。
NIE-Stopは停止する文書をソフトなポジティブに変え、NIE-Pathは先行するパス文書をハードな比較として使用する。
NIE-Pathは長路性能を55.4に引き上げ、未適応のエンコーダは46.7に向上した。
- 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: Agentic retrieval workflows produce query, retrieval, and stopping traces as a byproduct of answering questions. We study how these traces can adapt a deployed dense retriever to changing workflow distributions without new relevance labels, synthetic queries, or LLM judgments. We introduce Navigation-Informed Embeddings (NIE), a family of trace-derived objectives. NIE-Stop turns the stopping document into a soft positive; NIE-Path additionally uses preceding path documents as hard comparisons and imposes ordinal constraints with geometric decay. A BGE encoder adapted from retained source trajectories improves support Recall@20 on an independent target benchmark from 72.2 to 78.0 overall. NIE-Stop reaches 76.9 overall and 52.3 on long paths; NIE-Path raises long-path performance to 55.4, compared with 46.7 for the unadapted encoder. A shuffled-order control under the full path objective loses 3.2 points. Without public-benchmark training, the same adapter also improves nDCG@10 by 1.9 points on standard BEIR HotpotQA. NIE therefore provides a lightweight adaptation channel for settings where trajectories are already retained, with zero incremental labeling cost.
- Abstract（参考訳）: エージェント検索ワークフローは、質問に対する回答の副産物として、クエリ、検索、トレースの停止を生成する。
これらのトレースは、新しい関連ラベルや合成クエリ、LLM判断を使わずに、デプロイされた高密度検索器をワークフロー分布に適応させる方法について検討する。
追跡対象の家系であるNIE(Navigation-Informed Embeddings)を紹介する。
NIE-Stop は停止する文書をソフトなポジティブに変え、NIE-Path は先行するパス文書をハードな比較として使用し、幾何学的減衰を伴う順序的制約を課している。
保持されたソース軌跡から適応されたBGEエンコーダは、72.2から78.0までの独立したターゲットベンチマークでRecall@20のサポートを改善した。
NIE-Stopは76.9、長路52.3に達し、NIE-Pathは長路性能を55.4に引き上げ、未適応エンコーダは46.7に向上した。
フルパス目標のシャッフル順序制御は3.2ポイントを失う。
公開ベンチマークトレーニングなしでは、標準のBEIR HotpotQAでnDCG@10を1.9ポイント改善する。
したがって、NIEはトラジェクトリがすでに保持されている設定のための軽量な適応チャネルを提供し、インクリメンタルなラベリングコストはゼロである。
関連論文リスト
- ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。
SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。
モデル自身の失敗から両方を得るReDraftを紹介します。
論文 参考訳（メタデータ） (2026-09-15T04:59:03Z) - RecGPT-Mobile-V2 Technical Report [22.10290138930905]
RecGPT-Mobile-V2は、意図的品質と実行効率をステージド設計の目的として扱うエンドツーエンドフレームワークである。
このフレームワークは異種間相互作用をエビデンス保存軌道に変換し、ドメイン適応と教師付きアライメントを通じてレコメンデーションネイティブ基盤を確立する。
オンライン検索分析では、クエリリコールチャネルは、確立されたリコールチャネルによってサーフェスされたインベントリに補完されるインベントリを検索することを示している。
論文 参考訳（メタデータ） (2026-08-25T09:23:17Z) - Disagree to Explore, Agree to Commit: Routing-Guided Test-Time Scaling for Software Agents [60.650808962786364]
外部判断や選択時間テストの実行なしに,ネイティブなMoEルータトレースがステアリングと選択をガイドできるかどうかを検討する。
我々の分析は、ルーティングが堅牢な行動的役割シグナルを提供することを示している。トークン・グラニュラ・リードアウトと決定整合比較セットは、ルーティングを効果的に制御する。
オープンウェイトスパースMOEエージェントを用いたSWEベンチ検証を行い,評価を行った。
論文 参考訳（メタデータ） (2026-08-23T03:07:03Z) - Beyond Retrieval: Query-Conditioned Reuse of Long-Horizon Agent Trajectories [16.13133177152883]
Retrievalは、重要かもしれない過去の軌跡を特定することができるが、ユーザー、エンティティ、制約、環境状態が変わった後、エージェントがその軌跡をどのように使うべきかは明記していない。
我々は,この再検索後の再利用ステップを,長期記憶のボトルネックとして認識する。
クエリ条件の再利用(QCR)によってフレームワークをインスタンス化する。
論文 参考訳（メタデータ） (2026-08-13T05:39:49Z) - A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。
A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
論文 参考訳（メタデータ） (2026-08-05T14:01:10Z) - CoEvoP&R: Co-Evolving Placement Objectives with Routing Feedback via Large Language Models [8.816894613626845]
CoEvoP&Rは、大規模言語モデル(LLM)ベースのフレームワークで制限に対処し、分析的な配置目標を自動的に進化させる。
ルート後導線長と混雑を16.9%、36.7%減少させ、最悪の負のスラックでは0.70 ns、ネイティブのDREAMPlaceでは912 ns減少させる。
論文 参考訳（メタデータ） (2026-07-19T20:16:07Z) - Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。
コードには手書きのコードはなく、人間による注釈もない。
エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
論文 参考訳（メタデータ） (2026-07-17T17:41:16Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Dissecting Agentic RAG: A Component Ablation for Multi-Hop QA with a Local 7B Model [0.0]
5000の質問に対して評価したフルエージェントRAGパイプラインのアブレーション制御を行った。
相互階数融合による固定ハイブリッド検索は規則に基づく適応的ルーティングよりも一貫して優れていることがわかった。
論文 参考訳（メタデータ） (2026-06-19T15:50:35Z) - Converted, Not Equivalent: Benchmarking Codebase Conversion via Observational Equivalence [56.25095230687242]
コーディングエージェントは、しばしば自身のローカル検証ルーチンを過度に信頼し、表面チェックを満たすアーティファクトの成功を宣言する。
この問題は、事前評価が結果駆動である変換において特に深刻である。
ブラインド・コンバージョンは26.7-28.9%に達し、スペック・パスレートは91.1%まで上昇した。
このことは、失敗は限られた予算やバックボーンの強さよりも、契約ミスによる自己検証に起因していることを示唆している。
論文 参考訳（メタデータ） (2026-05-27T19:57:15Z) - AdaRubric: Task-Adaptive Rubrics for LLM Agent Evaluation [12.42698406379544]
LLM-as-Judgeの評価は、固定されたルーリックがこのタスクにとって重要なものをキャプチャできないため、エージェントタスクに失敗する。
本稿では,タスク記述からタスク固有の評価文を生成するADARUBRICを提案する。
WebArenaとToolBenchでは、ADARUBRICはデプロイメントグレードの信頼性を備えた人間相関(最高の静的ベースラインに対する+0.16)を実現している。
論文 参考訳（メタデータ） (2026-03-22T18:47:34Z) - Detection Transformer with Stable Matching [48.963171068785435]
もっとも重要な設計は, 肯定的な事例の分類スコアを監督するために, 位置測定値のみを使用することである。
本原理では,DTRの分類損失とマッチングコストに位置測定値を統合することで,簡易かつ効果的な2つの修正を提案する。
12エポックおよび24エポックのトレーニング設定の下でResNet-50バックボーンを用いてCOCO検出ベンチマークで50.4および51.5APを達成する。
論文 参考訳（メタデータ） (2023-04-10T17:55:37Z)
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。