論文の概要: SearchWiki: Learning to Build and Navigate Knowledge Wikis for Active Information Seeking

• arxiv url: http://arxiv.org/abs/2608.29953v1
• Date: Sun, 30 Aug 2026 18:36:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.130133
• Title: SearchWiki: Learning to Build and Navigate Knowledge Wikis for Active Information Seeking
• Title（参考訳）: SearchWiki: アクティブな情報検索のための知識ウィキの構築とナビゲートを学ぶ
• Abstract要約: SearchWikiは、コーパスを階層的で型付けされ、ナビゲート可能なwikiに合成するフレームワークである。 我々は、WikiResearcher-9Bというエージェントを訓練し、マルチターンツールの使用を通して情報を取得する。
• 参考スコア（独自算出の注目度）: 11.506364987885492
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flat retrieval-augmented generation treats a corpus as a bag of chunks, discarding document hierarchy and cross document structure. We introduce SearchWiki, a harness framework that synthesizes a corpus into a hierarchical, typed, navigable wiki and trains an agent, WikiResearcher-9B, to retrieve information through multi-turn tool use. The wiki organizes knowledge into three layers - document overviews, cross- document topic pages, and page-level source records; enabling progressive refinement of retrieval when initial lookup misses. We optimize the agent's navigation policy with on-policy reinforcement learning with a multi-component reward function balancing answer correctness, retrieval quality and trajectory efficiency. Evaluation on ViDoRe-V3 (8 domains), FinanceBench, and memory benchmarks (LoCoMo, LongMemEval, PersonaMem-v2) shows that WikiResearcher- 9B which is our RL-tuned Qwen 9B model, significantly outperforms same-size untrained baselines and exceeds or matches larger external models. SearchWiki paired with WikiResearcher-9B demonstrates that learned navigation over structured corpora is a superior alternative to flat retrieval.
• Abstract（参考訳）: フラット検索拡張世代は、コーパスをチャンクの袋として扱い、文書階層とクロスドキュメント構造を捨てる。 本稿では,コーパスを階層型,型付け型,ナビゲート可能なウィキに合成し,エージェントであるWikiResearcher-9Bを訓練し,マルチターンツールの使用を通じて情報を取得するためのハーネスフレームワークであるSearchWikiを紹介する。 wikiは知識を3つのレイヤ – ドキュメント概要、クロスドキュメントトピックページ、ページレベルのソースレコード – にまとめている。 エージェントのナビゲーションポリシーをオンライン強化学習を用いて最適化し、応答の正しさ、検索品質、軌道効率のバランスをとる多成分報酬関数を用いた。 ViDoRe-V3(8ドメイン)、ファイナンスベンチ、メモリベンチマーク(LoCoMo、LongMemEval、PersonaMem-v2)による評価は、我々のRLでチューニングされたQwen 9BモデルであるWikiResearcher-9Bが、同じサイズの未学習ベースラインを著しく上回り、より大きな外部モデルに匹敵し、あるいは一致していることを示している。 SearchWikiとWikiResearcher-9Bは、構造化コーパス上の学習ナビゲーションがフラット検索の優れた代替手段であることを示す。

関連論文リスト

• WikiLoop: Jointly Learning to Build and Navigate Agent-Native Wikis with Downstream Feedback [7.599036682788788]
  我々は、エージェントネイティブなウィキの構築とナビゲートを共同で学習するフィードバック結合フレームワークであるWikiLoopを紹介する。 ロール条件の共有ポリシは2つのインターフェースをサポートする: NavigatorはWikiからエビデンスを取得してクエリに応答する。
  論文  参考訳（メタデータ） (2026-07-29T08:28:30Z)
• DocAtlas: Long-Document Understanding as Mutable-State Interaction [67.90400271544678]
  本稿では,長期文書理解を可変状態情報探索プロセスとして扱うDocAtlasを提案する。 ドキュメントと質問が与えられた後、DocAtlasは検索、読み取り、メモ取り、レビューツールを公開し、階層的なツリーとノートストアを維持し、エージェントが証拠を記録するように更新する。 GPT-5.4では、DocAtlasはMMLongBench-Docで71.4%に達し、65.8%という人間の専門的基準を超えた。
  論文  参考訳（メタデータ） (2026-07-21T09:45:34Z)
• Retrieval as Reasoning: Self-Evolving Agent-Native Retrieval via LLM-Wiki [6.956097396264084]
  LLMエージェントは、検索をワンショットのコンテキストフェッチのように振る舞うのではなく、推論のように振る舞う必要がある。 現在、RAG(Retrieval-Augmented Generation)システムは、類似性を埋め込んだフラットチャンクとして外部知識を整理している。 本稿では,外部知識をコンパイル可能,構成可能,自己進化的構造として扱うことにより,検索パラダイムを運用するエージェントネイティブ検索システム LLM-Wiki を提案する。
  論文  参考訳（メタデータ） (2026-05-25T06:36:14Z)
• NaviRAG: Towards Active Knowledge Navigation for Retrieval-Augmented Generation [50.16741209529908]
  NaviRAGは、パッシブセグメント検索からアクティブな知識ナビゲーションに移行する新しいフレームワークである。 NaviRAGは従来のRAGベースラインよりも検索リコールとエンドツーエンドの応答性能を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-04-14T14:07:01Z)
• Textual understanding boost in the WikiRace [2.225928356849742]
  WikiRaceゲームは、ウィキペディアの記事の間をハイパーリンクだけでナビゲートするゲームで、複雑な情報ネットワークにおけるゴール指向検索の魅力的なベンチマークとして機能する。 本稿では,グラフ理論的構造(重心性),意味的意味(モデル埋め込み),ハイブリッドアプローチによって導かれるエージェントを比較検討し,本課題に対するナビゲーション戦略の体系的評価を行う。
  論文  参考訳（メタデータ） (2025-11-13T18:25:43Z)
• CodeWiki: Evaluating AI's Ability to Generate Holistic Documentation for Large-Scale Codebases [7.75137961900221]
  bftextCodeWikiは、7つのプログラミング言語にまたがるリポジトリレベルのドキュメントを自動化する統合フレームワークである。 CodeWikiは、3つの重要なイノベーションを紹介している: (i) 階層的な分解はアーキテクチャのコンテキストを複数のレベルの粒度で保存し、 (ii) スケーラブルな生成のための動的タスクデリゲートによる再帰的マルチエージェント処理、 (iii) アーキテクチャ図やデータフロー表現のようなビジュアルアーティファクトとテキスト記述を統合するマルチモーダル合成である。 CodeWikiは、プロプライエタリなモデルで68.79%の品質スコアを獲得し、クローズドソースのDeepWikiベースライン(64.06%)を4.73%上回った。
  論文  参考訳（メタデータ） (2025-10-28T13:52:46Z)
• Beyond Chunking: Discourse-Aware Hierarchical Retrieval for Long Document Question Answering [51.7493726399073]
  本稿では,長文質問応答を改善するための対話型階層型フレームワークを提案する。 このフレームワークには3つの重要な革新がある: 長文の専門的な談話解析、LLMに基づく談話関係ノードの拡張、構造誘導階層検索である。
  論文  参考訳（メタデータ） (2025-05-26T14:45:12Z)
• ReTreever: Tree-based Coarse-to-Fine Representations for Retrieval [64.44265315244579]
  そこで本研究では,様々なレベルで参照文書を整理し,表現するためのツリーベース手法を提案する。 我々の手法はReTreeverと呼ばれ、クエリと参照ドキュメントが同様のツリーブランチに割り当てられるように、バイナリツリーの内部ノード毎のルーティング関数を共同で学習する。 我々の評価では、ReTreeverは一般的に完全な表現精度を保っている。
  論文  参考訳（メタデータ） (2025-02-11T21:35:13Z)
• Wikiformer: Pre-training with Structured Information of Wikipedia for Ad-hoc Retrieval [21.262531222066208]
  本稿では,ウィキペディアの構造的知識に基づいて,情報検索タスクに適した4つの事前学習目標を考案する。 既存の事前学習手法と比較して,本手法はトレーニングコーパスにおける意味的知識をよりよく捉えることができる。 生物医学・法学領域における実験結果から,本手法は垂直領域において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-12-17T09:31:47Z)
• Generate rather than Retrieve: Large Language Models are Strong Context Generators [74.87021992611672]
  本稿では,文書検索を大規模言語モデル生成器に置き換えることで,知識集約型タスクを解く新しい視点を提案する。 我々は,提案手法をgenRead (genRead) と呼び,まず大きな言語モデルに対して,与えられた質問に基づいて文脈文書を生成し,次に生成された文書を読み出して最終回答を生成する。
  論文  参考訳（メタデータ） (2022-09-21T01:30:59Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)
• Improving Candidate Retrieval with Entity Profile Generation for Wikidata Entity Linking [76.00737707718795]
  本稿では,エンティティ・プロファイリングに基づく新しい候補探索パラダイムを提案する。 我々は、このプロファイルを使用してインデックス付き検索エンジンに問い合わせ、候補エンティティを検索する。 本手法は,ウィキペディアのアンカーテキスト辞書を用いた従来の手法を補完するものである。
  論文  参考訳（メタデータ） (2022-02-27T17:38:53Z)

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。