論文の概要: An Auditable Symbolic-RAG-Generative AI Architecture for Goal-Oriented Conversation Orchestration
- arxiv url: http://arxiv.org/abs/2609.07152v1
- Date: Mon, 07 Sep 2026 07:48:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.381081
- Title: An Auditable Symbolic-RAG-Generative AI Architecture for Goal-Oriented Conversation Orchestration
- Title（参考訳）: 目標指向会話オーケストレーションのための視聴可能な記号型RAG生成AIアーキテクチャ
- Abstract要約: 目標指向の会話システムは, 現実的な質問に答え, ビジターが提供する情報を理解し, 厳密なアンケートに陥ることなく, ビジネス目的を推し進めなければならない。
本稿では、ゴール指向検索拡張会話エンジン(GRACE)を中心にしたシンボルRAG生成アーキテクチャを提案する。
命令制約付きビジネス目標コンパイラは、ビジネス意図を不変の目的セット、正規化優先ベクトル、標準質問、初期状態ベクトルに変換する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Goal-oriented conversational systems must answer factual questions, understand visitor-provided information, and advance business objectives without becoming rigid questionnaires. This paper proposes a Symbolic-RAG-Generative architecture centered on the Goal-oriented Retrieval-Augmented Conversation Engine (GRACE). An instruction-constrained Business Goal Compiler transforms business intent into an immutable objective set, normalized priority vector, canonical questions, and initial state vector. At runtime, GRACE receives the complete conversation history, latest visitor message, current state, and grounded answer generated by a separate RAG component. It updates completion only from visitor-authored evidence and selects one contextually modulated follow-up. The core policy maximizes expected business progress subject to a minimum visitor-utility constraint. We formalize the state, monotonic transitions, source separation, question modulation, and constrained policy; present the reference architecture; and define an evaluation comprising 24 English real-estate and 10 Spanish professional-cleaning conversations, totaling 119 protocol-defined visitor turns. Across both domains, GRACE achieves 84.9% exact state-transition accuracy, 91.6% evidence precision, 89.6% evidence recall, 100% monotonicity, and 94.1% terminal-state accuracy. The evaluation establishes compelling symbolic-state performance across standard, multi-goal, RAG-detour, validation, refusal, and robustness scenarios.
- Abstract（参考訳）: 目標指向の会話システムは, 現実的な質問に答え, ビジターが提供する情報を理解し, 厳密なアンケートに陥ることなく, ビジネス目的を推し進めなければならない。
本稿では、ゴール指向の検索・拡張対話エンジン(GRACE)を中心にしたシンボリック・RAG生成アーキテクチャを提案する。
命令制約付きビジネス目標コンパイラは、ビジネス意図を不変の目的セット、正規化優先ベクトル、標準質問、初期状態ベクトルに変換する。
実行時にGRACEは、完全な会話履歴、最新のビジターメッセージ、現在の状態、別々のRAGコンポーネントによって生成された接地された回答を受け取る。
ビジターが承認した証拠からのみ完了を更新し、コンテキストによって修正された1つのフォローアップを選択する。
基本方針は、最低ビジター・ユーティリティ制約の対象となるビジネスの進展を最大化する。
我々は、状態、モノトニック遷移、ソース分離、質問修正、制約されたポリシーを定式化し、参照アーキテクチャを提示し、24のイングランドの不動産と10のスペイン人のプロフェッショナル・クリーニング・会話からなる評価を定義し、119のプロトコル定義ビジター・ターンを計る。
両方の領域で、GRACEは84.9%の正確な状態遷移精度、91.6%の証拠精度、89.6%の証拠リコール、100%の単調性、94.1%の端末状態精度を達成している。
この評価は、標準、マルチゴール、RAG-detour、バリデーション、拒絶、ロバストネスシナリオにまたがる魅力的なシンボル状態のパフォーマンスを確立する。
関連論文リスト
- MemUse: Moving Memory Evaluation from Direct QA to Natural Integration in Long-Term Human-AI Conversation [21.669452198654596]
4ヶ月のデプロイメントにおいて,ダイレクトQAの精度がユーザ満足度と相関するかどうかを検証した。
既存のベンチマーク・ダイレクトQAは7つの条件で19.7%から70.1%まで変化しているが、満足度は変わらない。
デプロイから引き出された実際のユーザキューメモリモーメントのセットであるMemUseを紹介します。
論文 参考訳（メタデータ） (2026-08-25T07:54:12Z) - Beyond Instance Slots: Semantically Rich World Models for Physical Interaction Planning [3.284163275977256]
本稿では,5つの機能的役割を中心に構成されたタスク条件付き世界モデルであるSemantically Rich World Model (SR-WM)を提案する。
SR-WM内では、ビジュアルエンティティエンコーダが事前訓練されたパッチ機能からソフトエンティティ仮説を抽出し、セグメンテーションマスクがオプションの提案先として機能する。
ロールバインダーはこれらの仮説をタスク固有のロールにマッピングし、アクション条件付きダイナミクスモデルは、きめ細かいセマンティクスと共にロール遷移を予測する。
論文 参考訳（メタデータ） (2026-08-23T08:37:59Z) - SpatialWorld: Benchmarking Interactive Spatial Reasoning of Multimodal Agents in Real-World Tasks [73.92333717662558]
SpaceWorldは、複雑な現実世界のタスクにおけるマルチモーダルエージェントのインタラクティブな空間的理解を評価するためのベンチマークである。
多様なドメイン(例えば、家庭のルーチン、旅行、社会協力など)にまたがる760の人称タスクが特徴である。
信頼性評価のために、各タスクは、人間検証された初期状態、参照軌跡、端末状態検証器を含む。
論文 参考訳（メタデータ） (2026-06-08T15:51:51Z) - ReacTOD: Bounded Neuro-Symbolic Agentic NLU for Zero-Shot Dialogue State Tracking [2.2573512203799626]
本稿では,NLUを独立したツールコールとして再構成する有界神経シンボルアーキテクチャであるReacTODを提案する。
有界ReActループは反復自己補正を可能にし、MultiWOZ上のシングルパス推論よりも最大9.3ポイント精度を向上させる。
論文 参考訳（メタデータ） (2026-05-18T20:06:04Z) - Faithfulness-QA: A Counterfactual Entity Substitution Dataset for Training Context-Faithful RAG Models [13.478990954968316]
Retrieval-Augmented Generationモデルは、検索されたコンテキストではなく、パラメトリックメモリにグラウンドされた回答を生成する。
本稿では,99,094サンプルの大規模データセットであるFithfulness-QAについて紹介する。
論文 参考訳（メタデータ） (2026-04-28T07:21:46Z) - From Transcripts to AI Agents: Knowledge Extraction, RAG Integration, and Robust Evaluation of Conversational AI Assistants [0.0]
顧客向け産業向けの信頼できる会話AIアシスタントの構築は、ノイズの多い会話データ、断片化された知識、正確なヒューマンハンドオフの必要性により、依然として困難である。
本稿では,履歴書から直接対話型AIアシスタントを構築し,評価するためのエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-26T07:44:47Z) - WESR: Scaling and Evaluating Word-level Event-Speech Recognition [59.21814194620928]
音声は言語情報だけでなく、笑ったり泣いたりするような豊富な非言語的な音声イベントも伝達する。
我々は,21の発声イベントの分類を改良し,個別(スタンドアローン)と連続(音声と混合)に分類した。
改良された分類法に基づくWESR-Benchは,新しい位置認識プロトコルを備えた専門家アノテート評価セット(900以上の発話)である。
論文 参考訳（メタデータ） (2026-01-08T02:23:21Z) - Connecting the Dots: Training-Free Visual Grounding via Agentic Reasoning [63.109585527799005]
GroundingAgentは、タスク固有の微調整なしで動作するビジュアルグラウンドティングフレームワークである。
広く使用されているベンチマークでは、平均ゼロショットグラウンドの精度は65.1%である。
また、強い解釈可能性を提供し、各推論ステップを透過的に照らす。
論文 参考訳（メタデータ） (2025-11-24T03:11:08Z) - Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。
次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。
ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
論文 参考訳（メタデータ） (2025-06-06T10:07:21Z) - Improving Zero-Shot ObjectNav with Generative Communication [60.84730028539513]
ゼロショットObjectNavの改良手法を提案する。
私たちのアプローチは、接地エージェントが制限され、時には障害のあるビューを持つ可能性があることを考慮に入れています。
論文 参考訳（メタデータ） (2024-08-03T22:55:26Z) - CoCo: Controllable Counterfactuals for Evaluating Dialogue State
Trackers [92.5628632009802]
本稿では,このギャップを橋渡しし,新たなシナリオにおける対話状態追跡(DST)モデルを評価するための制御可能な対策(CoCo)を提案する。
CoCoは、2つのステップで新しい会話シナリオを生成する: (i) スロットをドロップして追加し、スロット値を置き換えて、 (ii) (i) で条件付きで対話フローと整合する対実会話生成。
人間による評価では、COCO生成された会話は95%以上の精度でユーザー目標を完璧に反映し、元の会話と同じくらい人間らしくなっている。
論文 参考訳（メタデータ） (2020-10-24T09:39:35Z) - A Simple Language Model for Task-Oriented Dialogue [61.84084939472287]
SimpleTODはタスク指向対話に対する単純なアプローチであり、すべてのサブタスクのリキャストで訓練された単一因果言語モデルを単一シーケンス予測問題として利用する。
これによりSimpleTODは、事前訓練されたオープンドメイン、GPT-2のような因果言語モデルからのトランスファー学習を完全に活用できる。
論文 参考訳（メタデータ） (2020-05-02T11:09:27Z)
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。