論文の概要: Knowledge-Graph-Gated Defactualization for Style-Controllable and Fact-Preserving Generation in Agentic Conversational AI

• arxiv url: http://arxiv.org/abs/2608.20393v1
• Date: Wed, 01 Jul 2026 02:27:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.308735
• Title: Knowledge-Graph-Gated Defactualization for Style-Controllable and Fact-Preserving Generation in Agentic Conversational AI
• Title（参考訳）: エージェント対話型AIにおける書体制御型・ファクト保存型生成のための知識グラフ付きデファクトライゼーション
• Abstract要約: emphDefactualize-Steer-Rehydrate (DSR) は、タイプ付きサリエンス重み付き知識グラフ(KG)とアクティベーションステアリングを統合する知識工学フレームワークである。 DSRは600のA2A生成顧客サポートケースに対して6つのLLaMAモデル(1B-13Bパラメータ)で評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic large language models (LLMs) deployed in fact-sensitive applications such as customer support must simultaneously preserve factual correctness and generate responses in a controllable stylistic register. Activation steering enables fine-tuning-free style control by perturbing hidden representations, but it lacks an explicit mechanism for distinguishing verifiable facts from stylistic content, leading to semantic leakage. We address this challenge through \emph{Defactualize-Steer-Rehydrate} (DSR), a knowledge-engineering framework that integrates a typed, salience-weighted knowledge graph (KG) with activation steering. DSR extracts salient entities using a layered regex or NER or lexical-classifier pipeline, replaces them with typed placeholders prior to steering, and deterministically restores verified values through salience-guided rehydration after generation. DSR is evaluated across six LLaMA-family models (1B--13B parameters) on 600 A2A-generated customer-support cases (1,200 generations), with a dedicated KG ablation study. DSR significantly increases verified-entity recovery relative to a steering-only baseline (Cohen's $d=0.225$, $p_{\text{Bonf}}=1.0\times10^{-4}$), though the absolute recovery rate remains modest, while preserving effective style control across diverse model families. Layer-wise separability and steering-strength diagnostics further show previously unexplored interactions between representation-level steering and factual grounding. hese results demonstrate that explicit knowledge engineering can systematically enhance trustworthy, controllable, and reproducible generative AI without requiring model fine-tuning. Code, cached steering vectors, and evaluation scripts are publicly released to support reproducibility.\footnote{https://github.com/Tanmay-IITDSAI/KG-Gated-Defactualization}
• Abstract（参考訳）: 顧客サポートのようなファクトセンシティブなアプリケーションにデプロイされるエージェント型大規模言語モデル(LLM)は、事実の正しさを同時に保存し、制御可能なスタイリスティックレジスタで応答を生成する必要がある。 アクティベーションステアリングは、隠れた表現を摂動することで、微調整不要なスタイル制御を可能にするが、スタイリスティックなコンテンツと検証可能な事実を区別する明確なメカニズムが欠如しており、セマンティックなリークにつながる。 本稿では,この課題を,タイプ付きサリエンス重み付き知識グラフ(KG)とアクティベーションステアリングを統合した知識工学フレームワークであるemph{Defactualize-Steer-Rehydrate} (DSR)を通じて解決する。 DSRは、層状レジェックスまたはNERまたはレキシカル分類器パイプラインを使用して有毒物質を抽出し、ステアリングの前にタイプドプレースホルダーに置換し、生成後のサリエンス誘導リハイドレーションによって確定的に検証された値を復元する。 DSRは6つのLLaMAファミリーモデル(1B-13Bパラメータ)で600個のA2A生成顧客サポートケース(1200世代)で評価され、専用のKGアブレーション研究を行った。 DSRはステアリングのみのベースライン(Cohen's $d=0.225$, $p_{\text{Bonf}}=1.0\times10^{-4}$)と比較して検証エンティリカバリを著しく増加させるが、絶対リカバリ率は穏やかであり、多様なモデルファミリ間で効果的なスタイル制御を保っている。 階層的分離性とステアリング強度の診断は、表現レベルのステアリングと事実的グラウンドリングの間の未探索の相互作用をさらに示す。 ヘスの結果は、明示的な知識工学が、モデル微調整を必要とせずに、体系的に信頼できる、制御可能な、再現可能な生成可能なAIを強化することを実証している。 コード、キャッシュされたステアリングベクター、評価スクリプトが公開され、再現性をサポートする。 \footnote{https://github.com/Tanmay-IITDSAI/KG-Gated-Defactualization}

関連論文リスト

• SAEScientist-Bench: Can AI Agents Conduct Autonomous SAE Interpretability Research? [26.940600916534446]
  我々はSAEScientist-Benchを導入し、AIエージェントがSAEツールを利用して自律的な機械的発見を行うことができるかどうかを評価する。 ターゲット概念が与えられた場合、エージェントはコントラストプローブを設計し、最適な特徴を発見するために131K以上の特徴のGemma Scope辞書をナビゲートする。 10のエージェント構成と20のタスクにまたがって、フロンティアエージェントは真の発見能力を示すが、エキスパートベースラインのかなり後方にある。
  論文  参考訳（メタデータ） (2026-09-08T17:45:09Z)
• Controllable Sim Agents with Behavior Latents [9.41175594126692]
  制御可能な変量エージェント(CNeVA)は、制御可能なシミュレートエージェントフレームワークである。 速度および加速度に基づくステアリングは、ストールによる報酬ハックを伴わずにモノトーン応答を生成する。 本実験は, ステアリングの指標を物理楽観性ガードレールと併用して読み込まなければならないことを示す。
  論文  参考訳（メタデータ） (2026-07-02T17:55:39Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• From Feature Interaction to Feature Generation: A Generative Paradigm of CTR Prediction Models [81.43473418572567]
  CTR(Click-Through Rate)予測は、レコメンデーションシステムにおける中核的なタスクである。 本稿では,埋め込み次元の崩壊と情報冗長性に対処する新しい生成フレームワークを提案する。 SFGは埋没崩壊を緩和し,情報冗長性を低減し,性能向上を図っている。
  論文  参考訳（メタデータ） (2025-12-16T03:17:18Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• A Controllable Model of Grounded Response Generation [122.7121624884747]
  現在のエンドツーエンドのニューラルネットワークモデルは、応答生成プロセスにセマンティックコントロールを課す柔軟性を本質的に欠いている。 我々は制御可能な接地応答生成(CGRG)と呼ばれるフレームワークを提案する。 このフレームワークを用いることで、会話のようなRedditデータセットでトレーニングされた、新しいインダクティブアテンション機構を備えたトランスフォーマーベースのモデルが、強力な生成ベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2020-05-01T21:22:08Z)

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。