Fugu-MT 論文翻訳(概要): Memory-First Fact-Checking: A Knowledge-Graph-Grounded Multi-Agent System for Misinformation Detection

論文の概要: Memory-First Fact-Checking: A Knowledge-Graph-Grounded Multi-Agent System for Misinformation Detection

arxiv url: http://arxiv.org/abs/2608.29617v1
Date: Sun, 30 Aug 2026 07:16:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:31.022933
Title: Memory-First Fact-Checking: A Knowledge-Graph-Grounded Multi-Agent System for Misinformation Detection
Title（参考訳）: メモリファーストFact-Checking:誤情報検出のための知識グラフ付きマルチエージェントシステム
Abstract要約: 本稿では,知識グラフに基づくセマンティックメモリと逆多エージェント推論を統合し,説明可能な誤情報検出を行うハイブリッドファクトチェックフレームワークを提案する。提案システムはメモリファーストのWebフォールバックアーキテクチャに従っており、入力クレームは2次元知識グラフに対して初期評価される。グラフから取得した証拠が信頼性のある決定を支持するには不十分な場合には、信頼できるWebソースから情報を収集し、支持、矛盾、判断エージェントからなる相手方裁判を用いて評価する。
参考スコア（独自算出の注目度）: 42.698418800007865
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper introduces a hybrid fact-checking framework that integrates Knowledge Graph-based semantic memory with adversarial multi-agent reasoning for explainable misinformation detection. The proposed system follows a memory-first, web-fallback architecture, in which input claims are initially evaluated against a dual-index Knowledge Graph through Sentence-BERT-based semantic retrieval and Natural Language Inference. When the evidence retrieved from the graph is insufficient to support a reliable decision, the framework collects information from trusted web sources and assesses it using an adversarial tribunal composed of support, contradiction, and judging agents. A graph-aware confidence mechanism combines semantic similarity, NLI confidence, and structural graph evidence to determine whether internal knowledge is sufficient, thereby reducing unnecessary web retrieval. Following verification, validated information is transformed into structured triples and incorporated into the Knowledge Graph, supporting the incremental expansion of the system's semantic memory. Experimental evaluation on a curated COVID-19 misinformation benchmark demonstrates that the proposed framework achieves an accuracy of 97.4\% and a macro-averaged F1-score of 92.6% on resolved claims, outperforming a Llama~3.3~70B baseline, which obtains an accuracy of 87.7% and a macro-averaged F1-score of 86.3%.
Abstract（参考訳）: 本稿では,知識グラフに基づくセマンティックメモリと逆多エージェント推論を統合し,説明可能な誤情報検出を行うハイブリッドファクトチェックフレームワークを提案する。提案システムは,Sentence-BERTに基づくセマンティック検索と自然言語推論により,入力クレームを2次元知識グラフに対して評価する,メモリファーストのWebフォールバックアーキテクチャに従う。グラフから取得した証拠が信頼性のある決定を支持するには不十分な場合には、信頼できるWebソースから情報を収集し、支持、矛盾、判断エージェントからなる相手方裁判を用いて評価する。グラフ認識の信頼メカニズムは、意味的類似性、NLIの信頼、構造グラフのエビデンスを組み合わせて、内部知識が十分かどうかを判断し、不要なWeb検索を減らす。検証後、検証された情報は構造化されたトリプルに変換され、知識グラフに組み込まれ、システムのセマンティックメモリの漸進的な拡張をサポートする。キュレートされた新型コロナウイルスの誤情報ベンチマークの実験評価では、このフレームワークが97.4\%、マクロ平均F1スコアが92.6%、Llama〜3.3.70Bベースラインが87.7%、マクロ平均F1スコアが86.3%であることがわかった。

関連論文リスト

From Association to Causation: Improving Retrieval Precision of Retrieval-Augmented Generation via Causal Relations and an Attention Mechanism [23.0538048682894]
我々は,ライヒェンバッハの共通原因原理に基づく因果グラフを用いて,終端検索段階をモデル化する。検索された文書はコライダー(A−>d−B)であるため、検索自体がクエリとBの関連経路を開く。知識内容内の因果関係をモデル化する因果関係強化RAG変種とは異なり、我々のグラフは検索プロセス自体の因果構造をモデル化する。
論文参考訳（メタデータ） (2026-08-22T00:31:06Z)
What Information Matters? Graph Out-of-Distribution Detection via Tri-Component Information Decomposition [36.08108046941572]
グラフニューラルネットワークは、ノード分類に広く使用されているが、ノードの特徴やグラフ構造におけるアウト・オブ・ディストリビューション(OOD)シフトに弱いままである。 TIDEは,情報を特徴特化,構造特化,結合コンポーネントに明示的に分解する,斬新で効果的な3成分情報分解フレームワークである。 7つのデータセットにわたる大規模な実験により、TIDEの有効性が確認され、強力なベースラインよりもFPR95が最大34%改善された。
論文参考訳（メタデータ） (2026-05-13T05:36:33Z)
Self-Aware Vector Embeddings for Retrieval-Augmented Generation: A Neuroscience-Inspired Framework for Temporal, Confidence-Weighted, and Relational Knowledge [0.0]
現代の検索拡張生成(RAG)システムは、ベクトル埋め込みを静的で文脈に依存しないアーティファクトとして扱う。このフレームワークは,3つの明示的な特性 – 時間的認識,信頼の低下,関係的認識 – で密着な埋め込みを強化するものだ。
論文参考訳（メタデータ） (2026-04-22T14:13:50Z)
IE as Cache: Information Extraction Enhanced Agentic Reasoning [82.00741114456727]
情報抽出は、構造化されていないテキストから構造化された決定関連情報を抽出することを目的としている。我々は,IEを認知キャッシュとして再利用し,エージェント推論を強化するフレームワークであるtextitIE-as-Cacheを提案する。
論文参考訳（メタデータ） (2026-04-16T12:18:27Z)
Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。 ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
論文参考訳（メタデータ） (2026-03-18T06:15:35Z)
CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
論文参考訳（メタデータ） (2025-10-02T02:14:33Z)
Hound: Relation-First Knowledge Graphs for Complex-System Reasoning in Security Audits [0.0]
Houndは、複雑なコンポーネント間のシステムレベルの推論を改善するリレーショナルファーストグラフエンジンである。 2つめのコントリビューションは、永続的な信念システムである。
論文参考訳（メタデータ） (2025-09-29T02:46:02Z)
VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
論文参考訳（メタデータ） (2025-09-15T02:25:38Z)
MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
論文参考訳（メタデータ） (2025-08-13T19:14:48Z)
ClaimTrust: Propagation Trust Scoring for RAG Systems [7.7690689135107425]
ClaimTrustは、RAGシステムにおける文書の信頼性を動的に評価する、伝搬ベースの信頼評価フレームワークである。我々は、政治ニュース記事814件を前処理し分析し、2,173件のユニークなクレームを抽出し、965件の有意義な関係を分類する。 ClaimTrustは、信頼に値する記事と信頼できない記事とを効果的に区別し、コンバージェンスまで信頼スコアを反復的に更新する。
論文参考訳（メタデータ） (2025-03-12T07:52:24Z)

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。