Fugu-MT 論文翻訳(概要): Structurally-bounded Agentic Graph Exploration for Evidence-Grounded Scholarly DeepSearch

論文の概要: Structurally-bounded Agentic Graph Exploration for Evidence-Grounded Scholarly DeepSearch

arxiv url: http://arxiv.org/abs/2608.24809v1
Date: Tue, 25 Aug 2026 16:51:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:35.108903
Title: Structurally-bounded Agentic Graph Exploration for Evidence-Grounded Scholarly DeepSearch
Title（参考訳）: Evidence-Grounded Scholarly DeepSearchのための構造結合型エージェントグラフ探索
Abstract要約: Craseは一度、シード論文を検索エンジンに問い合わせ、1.5ホップの引用地区に沿ってそれらを拡大し、残りの論文を無作為なランダムウォークでランク付けする。 LitSearchと500KペーパーのarXivコーパスのベンチマークでは、Craseはプロプライエタリなモデルで構築されたディープリサーチエージェントを3$times$ recall@50で約3分の1で上回っている。
参考スコア（独自算出の注目度）: 26.006395947287913
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present Crase, a bounded and inspectable alternative to deep research agents for scholarly search. Instead of an open-ended search loop, Crase queries a search engine once for seed papers, expands them along their 1.5-hop citation neighborhood, prunes citation edges whose claims lack entailment support, and ranks the remaining papers with a recency-aware random walk. This makes the candidate set, the reason each paper is kept, and the stopping condition explicit and fixed before inference. On LitSearch and one further benchmarks over a 500K-paper arXiv corpus, Crase outperforms deep research agents built on proprietary models by up to 3$\times$ recall@50 at roughly a third of the cost.
Abstract（参考訳）: 学術的な探索のためのディープリサーチエージェントに代わる、有界で検査可能な代替手段であるCraseを提示する。オープンエンドの検索ループの代わりに、Craseは一度シード論文を検索し、1.5ホップの引用エリアに沿って拡張する。これにより、候補がセットされ、各紙が保持される理由と、停止条件が推論の前に明示され固定される。 LitSearchと500KペーパーのarXivコーパスのベンチマークでは、Craseはプロプライエタリなモデルで構築されたディープリサーチエージェントを3$\times$ recall@50で約3分の1で上回っている。

関連論文リスト

MUSES: A Benchmark for Prospective Intellectual-Roots Retrieval [6.572091819435388]
textbfMUSESは、固定された2.33Mペーパーコーパス上での知的ルーツ検索のための100万インスタンスベンチマークである。 textbfCiteRootsは、局所的な引用テキスト上の修辞層と紙レベルの著者層とをペアリングする。 MUSESは、CiteNext、CiteNew、CiteNew-IsolatedにまたがるEmphfamiliarity軸と、広義の引用、修辞の根、著者が支持する根にまたがるEmphfunction軸の2つの軸に沿って困難を整理する。
論文参考訳（メタデータ） (2026-08-31T20:05:36Z)
R$^2$-Searcher: Calibrating Retrieval and Reasoning Boundaries for Agentic Search [59.034878430183305]
R$2$-Searcherは、検索と推論の境界を明示的に探索し、校正する。 R$2$-Searcherは,解答精度と検索品質において,最先端のエージェント検索法よりも優れていることを示す。
論文参考訳（メタデータ） (2026-06-26T19:44:34Z)
ScholarQuest: A Taxonomy-Guided Benchmark for Agentic Academic Paper Search in Open Literature Environments [44.35044790171568]
エージェント学術論文検索のための大規模分類指導型ベンチマークであるScholarQuestを提案する。 1000以上のコンピュータサイエンストピックと、メソッド指向、セッティングアンコール、比較ベース、スコープ制御クエリを含む4つの代表的な研究意図から構築されている。ベンチマークの結果,エージェント手法は単発検索ベースラインよりも優れているが,最も優れたエージェントは0.314 Recall@100と0.355 Recall@Allのみであり,改善の余地は十分にある。
論文参考訳（メタデータ） (2026-06-18T13:47:20Z)
AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery [55.70879973230979]
AutoResearchBenchは、自律的な科学文献発見のためのベンチマークである。エージェントWebブラウジングに関する以前のベンチマークと比較すると、AutoResearchBenchは研究指向である。最も強力なLCMでさえ、BrowseCompのような一般的なエージェントによるWebブラウジングベンチマークをほとんど征服したにもかかわらず、Deep Researchでは9.39%、Wide Researchでは9.31%の精度しか達成していない。
論文参考訳（メタデータ） (2026-04-28T06:05:17Z)
MasterSet: A Large-Scale Benchmark for Must-Cite Citation Recommendation in the AI/ML Literature [14.082854604879572]
MasterSetは、AI/MLドメインで必須のレコメンデーションを評価するために設計された大規模なベンチマークである。 15の主要な会場の公的な会議手続きやWebサイトから収集された15万以上の論文が組み込まれている。ベンチマークタスクでは、クエリペーパーのタイトルと抽象性のみを考慮すれば、候補プールから必須論文を取得する必要がある。
論文参考訳（メタデータ） (2026-04-20T00:34:28Z)
DeepResearch-9K: A Challenging Benchmark Dataset of Deep-Research Agent [63.52637950356965]
DeepResearch-9Kは、Deep-Researchシナリオのための大規模で挑戦的なデータセットである。 DeepResearch-R1は、Deep-Researchエージェントのためのオープンソースのトレーニングフレームワークである。
論文参考訳（メタデータ） (2026-03-01T15:36:10Z)
Geodesic Semantic Search: Learning Local Riemannian Metrics for Citation Graph Retrieval [0.0]
gss はローランク計量テンソル $mL_i を各ノードの Rd 倍 r$ で学習し、局所正の半定計量 $mG_i mL_itop + eps mI$ を誘導する。 169Kの論文による引用予測ベンチマークでは、gssはSPECTER+FAISSベースラインに対するRecall@20の相対的な改善を23%達成している。 k平均プールによる階層的粗粒度探索は計算コストを4$times$比較する
論文参考訳（メタデータ） (2026-02-27T04:17:41Z)
SE-Search: Self-Evolving Search Agent via Memory and Dense Reward [87.79131676521656]
Retrieval augmented generation (RAG)は、検索した外部知識を条件づけることにより、大規模言語モデル(LLM)における幻覚や事実エラーを低減する。既存の手法は、無関係または騒々しい文書を蓄積し、希少な強化学習信号に依存することが多い。我々は,3つのコンポーネントによるオンライン検索行動を改善するセルフ進化検索エージェントであるtextbfSelf-textbfEvolving textbfSearchを提案する。
論文参考訳（メタデータ） (2026-02-06T09:14:07Z)
Can Deep Research Agents Find and Organize? Evaluating the Synthesis Gap with Expert Taxonomies [57.11324429385405]
72のコンピュータサイエンスサーベイから得られた診断ベンチマークであるTaxoBenchを紹介する。我々は,3,815個の引用を根本的真理として正確に分類した分類木を手作業で抽出した。ベストエージェントは、専門家が選択した論文の20.9%しかリコールせず、完璧なインプットであっても、最高のモデルは組織の0.31 ARIしか達成していない。
論文参考訳（メタデータ） (2026-01-18T11:57:09Z)
Implicit Search via Discrete Diffusion: A Study on Chess [104.74301574891359]
本稿では,DiffuSearchを提案する。DiffuSearchは,離散拡散モデルを用いて未来を探索し,テキストをシンプルに検索するモデルである。 DiffuSearchをChessという古典的なボードゲームでインスタンス化する。 DiffuSearchは、検索不要と明示的な検索強化ポリシーの両方で優れていることを示す。
論文参考訳（メタデータ） (2025-02-27T06:25:15Z)

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。