論文の概要: ITER: Interaction-Aware Retrieval for Agentic Search

• arxiv url: http://arxiv.org/abs/2608.27912v1
• Date: Fri, 28 Aug 2026 04:36:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.205887
• Title: ITER: Interaction-Aware Retrieval for Agentic Search
• Title（参考訳）: ITER:エージェント検索のためのインタラクション対応検索
• Abstract要約: Iterはエージェント・トラジェクトリー学習信号を用いて訓練されたエージェント・インタラクション・アウェア・サイレント・レトリバーである。 既存のエージェント軌道訓練された高密度レトリバーLRATより一貫して優れており、InfoSeek-Evalでは平均7.5%、BrowseComp-Plusでは13.5%向上している。
• 参考スコア（独自算出の注目度）: 42.72882137602385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep-research agents answer complex user questions through an iterative sequence of search steps, where the agent autonomously formulates sub-queries to retrieve the evidence needed at each stage. However, existing retriever training typically relies only on the sub-query and its corresponding search results at the current step as training signals, leaving the information accumulated from previous interactions largely underutilized. We introduce iter, an agent interaction-aware dense retriever trained using agent trajectory learning signals. iter represents each query by incorporating not only the current sub-query, but also the main question and preceding sub-queries, and is trained using trajectory-relative learning signals derived from the agent's interactions. Across six agent backbones from three model families, iter consistently outperforms the existing agent-trajectory-trained dense retriever, LRAT, achieving an average improvement of 7.5% on InfoSeek-Eval and 13.5% on BrowseComp-Plus. iter also demonstrates stronger cross-agent robustness than AgentIR, a deep-research retriever that relies on external LLM-judge signals and the agent's pre-search reasoning. Ablations further show that the main question and previous sub-queries provide the most robust query representation, while previously visited and useful documents, used as redundancy negatives in subsequent searches, provide the strongest trajectory-relative supervision. Code is available at https://github.com/ielab/ITER.
• Abstract（参考訳）: ディープリサーチエージェントは、検索ステップの反復的なシーケンスを通じて複雑なユーザー質問に答え、エージェントは、各ステージに必要な証拠を取得するために、自律的にサブクエリを定式化する。 しかし、既存のレトリバートレーニングは、通常、現在のステップにおけるサブクエリとその対応する検索結果のみをトレーニング信号として頼りにしており、以前のインタラクションから蓄積された情報は、ほとんど利用されていない。 エージェント・トラジェクトリー学習信号を用いて学習したエージェント・インタラクション・アウェア・サイレント・レトリバーである Iter を紹介する。 Iterは、現在のサブクエリだけでなく、メインの質問と先行のサブクエリを組み込んで、各クエリを表現し、エージェントのインタラクションから派生したトラジェクトリ相対学習信号を使用してトレーニングする。 3つのモデルファミリーの6つのエージェントのバックボーンは、既存のエージェント軌道訓練された高密度レトリバーであるLRATよりも一貫して優れており、InfoSeek-Evalでは平均7.5%、BrowseComp-Plusでは13.5%向上している。 Iterはまた、外部のLSM-judge信号とエージェントの事前探索推論に依存するディープ検索レトリバーであるAgentIRよりも強力なクロスエージェントロバスト性を示す。 アブレーションは、主要な質問と以前のサブクエリが最も堅牢なクエリ表現を提供する一方で、以前訪問され有用なドキュメントは、後続の検索で冗長性陰性として使用され、最も強力なトラジェクトリ相対的な監視を提供することを示している。 コードはhttps://github.com/ielab/ITER.comで入手できる。

関連論文リスト

• R$^3$AG: Retriever Routing for Retrieval-Augmented Generation [59.47703698994575]
  R$3$AGは、検索機能を2つの学習可能なディメンション、すなわち検索品質と生成ユーティリティに分解する。 R$3$AGは、最高の個々のレトリバーと最先端の静的ルーティングメソッドの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-22T06:51:20Z)
• Learning to Retrieve from Agent Trajectories [72.8923565916533]
  我々はエージェント間相互作用データから直接エージェント探索のための検索モデルを訓練すべきであると主張している。 エージェント・トラジェクトリからの学習を新たな訓練パラダイムとして導入し,マルチステップエージェントのインタラクションから指導を導出する。 本研究は,エージェント探索時代における検索の方向性を示すとともに,エージェントトラジェクトリを実用的でスケーラブルな監視源として強調するものである。
  論文  参考訳（メタデータ） (2026-03-30T17:59:02Z)
• AgentIR: Reasoning-Aware Retrieval for Deep Research Agents [76.29382561831105]
  ディープリサーチエージェントは、各検索の前に明示的な自然言語推論を生成する。 Reasoning-Aware Retrievalは、クエリと一緒にエージェントの推論トレースを埋め込む。 DR-Synthは、標準的なQAデータセットからDeep Researchレトリバーのトレーニングデータを生成する。 AgentIR-4Bは、オープンウェイトエージェントであるTongyi-DeepResearchで68%の精度を達成する。
  論文  参考訳（メタデータ） (2026-03-04T18:47:26Z)
• SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback [68.60326181052658]
  本稿では,高品質で難易度の高い探索問合せを自動生成するエージェントパイプラインを提案する。 我々のパイプラインであるSAGEは、QAペアを提案するデータジェネレータと、生成された質問を解決するための検索エージェントで構成される。 我々の本質的な評価は、SAGEが様々な推論戦略を必要とする質問を生成する一方で、生成したデータの正確性や難易度を著しく高めていることを示している。
  論文  参考訳（メタデータ） (2026-01-26T06:37:56Z)
• Agentic-R: Learning to Retrieve for Agentic Search [82.43426728778418]
  エージェント検索に適した新しい検索学習フレームワークを提案する。 単一ターン検索拡張生成(RAG)用に設計された検索器とは違って,局所的なクエリ・パスの関連性とグローバルな回答の正当性を両立することを提案する。 我々のレトリバーは、我々のものとよばれ、異なる検索エージェント間で強い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） (2026-01-17T02:59:54Z)
• Beneficial Reasoning Behaviors in Agentic Search and Effective Post-training to Obtain Them [23.986035712600657]
  エージェント探索における効果的な推論行動パターンを研究するための推論駆動パイプラインを提案する。 我々は,情報検証,権限評価,適応探索,エラー回復の4つの有益な推論行動を特定する。 Llama3.2-3B と Qwen3-1.7B では, RL を用いたエージェントサーチモデルを直接訓練した場合と比較して, 行動プライミングが 35% 以上の利得を示す。
  論文  参考訳（メタデータ） (2025-10-08T00:20:35Z)
• Am I on the Right Track? What Can Predicted Query Performance Tell Us about the Search Behaviour of Agentic RAG [35.16209722320604]
  本稿では,最近のエージェントRAGモデル検索-R1とR1-Searcherにおけるクエリ性能予測(QPP)の適用性について検討する。 より短い推理過程において,有効解答器を適用すれば高い解答精度が得られることがわかった。
  論文  参考訳（メタデータ） (2025-07-14T15:54:50Z)

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。