Fugu-MT 論文翻訳(概要): ReCite: Agentic Reasoning for Faithful Citation

論文の概要: ReCite: Agentic Reasoning for Faithful Citation

arxiv url: http://arxiv.org/abs/2609.09156v1
Date: Tue, 08 Sep 2026 17:59:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-11 20:23:10.731933
Title: ReCite: Agentic Reasoning for Faithful Citation
Title（参考訳）: ReCite: 忠実な鎮静のためのエージェント推論
Abstract要約: 我々は、正確な引用には類似性に基づく検索からアクティブなクレームレベルの推論へのシフトが必要であると主張している。本稿では、位置認識、意図認識型クエリ計画、反射的検証を編成する分離されたエージェントフレームワークであるReCiteを提案する。実験により、我々のフレームワークは厳密な引用精度で最先端の大量生成モデルより優れていることが示された。
参考スコア（独自算出の注目度）: 31.917273891035478
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate citations are the foundation of academic writing, tracing intellectual origins and substantiating core claims. However, manually navigating the growing volume of scientific literature is increasingly difficult, prompting reliance on automatic citation recommendation. While modern retrieval-augmented architectures have largely mitigated the fabrication of non-existent papers, current systems relying on semantic similarity struggle with misattribution, often citing authentic papers that fail to logically support the author's claim. To address this challenge, we argue that accurate citation requires a shift from similarity-based search to active, claim-level reasoning. We propose ReCite, a decoupled agentic framework that orchestrates location perception, intent-aware query planning, and reflective verification. Trained on synthesized reasoning trajectories, our agent verifies claim-evidence consistency and triggers self-correction loops when retrieved candidates lack logical support. Experiments demonstrate that our lightweight framework outperforms state-of-the-art massive generative models in strict citation accuracy. By grounding literature matching in verifiable logic rather than semantic overlap, ReCite establishes a reliable foundation for automated academic writing.
Abstract（参考訳）: 正確な引用は学術的著作の基礎であり、知的起源を辿り、中核的な主張を裏付けるものである。しかし, 学術文献の量の増大を手動でナビゲートすることはますます難しくなり, 自動引用の推薦に頼っている。現代の検索強化アーキテクチャは、既存の論文の製作を大いに緩和してきたが、現在のシステムは意味的類似性に依存しており、しばしば著者の主張を論理的に支持できない真正な論文を引用している。この課題に対処するために、正確な引用には類似性に基づく検索からアクティブなクレームレベルの推論へのシフトが必要であると論じる。本稿では、位置認識、意図認識型クエリ計画、反射的検証を編成する分離されたエージェントフレームワークであるReCiteを提案する。我々のエージェントは、合成推論軌道に基づいて、クレームエビデンス整合性を検証し、検索された候補が論理的サポートを欠いている場合に自己補正ループをトリガーする。実験により、我々の軽量フレームワークは、厳密な引用精度で最先端の大量生成モデルより優れていることが示された。 ReCiteは、セマンティックオーバーラップではなく、検証可能な論理の文献マッチングを基礎にすることで、自動化された学術書記のための信頼性の高い基盤を確立する。

関連論文リスト

CausalForge: A Formally Grounded, Self-Improving Agentic Framework for Automated Research in Causal Inference [17.447741518678374]
CausalForgeは因果推論における自動理論研究のためのフレームワークである。因果推論のためのリーンライブラリであるCausaleanと、自己改善型のエージェントパイプラインであるCausalSmithを組み合わせたものだ。
論文参考訳（メタデータ） (2026-07-24T17:32:35Z)
DRNOISE: Benchmarking Deep Research Agents in Misleading Evidence Environments [51.049999642138]
誤解を招く証拠の下で、回答回復のための100タスクのベンチマークであるDRNOISEを紹介する。それぞれのタスクは、2つの間接的レコードチェーンが支持する固有の金の答えを持ち、ペアのノイズ条件は競合する答えを直接記述する1つのもっともらしい文書を付加する。強いクリーンタスク性能を持つエージェント全体で、この単一の介入は66-88ポイントの精度低下を引き起こす。
論文参考訳（メタデータ） (2026-07-19T15:20:40Z)
CitePrism: Human-in-the-Loop AI for Citation Auditing and Editorial Integrity [0.2625927677887832]
CitePrismは、編集引用監査のための透過的なハイブリッドな意思決定支援フレームワークである。引用地区の抽出、参照メタデータの強化、融合関連スコアの計算、メタデータのサーフェス、自己引用レビュープロンプト。 CitePrismは、自動的な不正検出や自動編集決定システムではなく、パイロット段階の意思決定支援を意図している。
論文参考訳（メタデータ） (2026-05-15T14:31:45Z)
CiteAudit: You Cited It, But Did You Read It? A Benchmark for Verifying Scientific References in the LLM Era [51.63024682584688]
大規模言語モデル (LLM) は新たなリスクを導入している。本稿では,科学文献における幻覚的引用のための総合的なベンチマークおよび検出フレームワークについて紹介する。我々のフレームワークは、精度と解釈可能性の両方において、先行手法を著しく上回っている。
論文参考訳（メタデータ） (2026-02-26T19:17:39Z)
SemanticCite: Citation Verification with AI-Powered Full-Text Analysis and Evidence-Based Reasoning [0.0]
本稿では,全文ソース解析による引用精度の検証を行うAIシステムであるSemanticCiteを紹介する。提案手法は,複数の検索手法と,ニュアンスド・クレーム・ソース関係を抽出する4クラス分類システムを組み合わせたものである。我々は、詳細なアライメント、機能分類、セマンティックアノテーション、およびバイオロメトリメタデータを備えた1000以上の引用からなる包括的なデータセットをコントリビュートする。
論文参考訳（メタデータ） (2025-11-20T10:05:21Z)
Citation Failure: Definition, Analysis and Efficient Mitigation [56.09968229868067]
LLMベースのRAGシステムからの引用は、応答検証の簡略化を目的としている。これは、モデルが有効な応答を生成するとき、引用失敗には当てはまらないが、完全な証拠を引用することができない。応答自体に欠陥があり、完全な証拠を引用することは不可能である。
論文参考訳（メタデータ） (2025-10-23T07:47:22Z)
WebWeaver: Structuring Web-Scale Evidence with Dynamic Outlines for Open-Ended Deep Research [73.58638285105971]
本稿では,AIエージェントが膨大なWebスケール情報を洞察に富むレポートに合成しなければならない複雑な課題であるtextbfopen-ended Deep Research (OEDR) に取り組む。人間の研究プロセスをエミュレートする新しいデュアルエージェントフレームワークである textbfWebWeaver を紹介する。私たちのフレームワークは、DeepResearch Bench、DeepConsult、DeepResearchGymなど、主要なOEDRベンチマークにまたがる最先端の新たなベンチマークを確立しています。
論文参考訳（メタデータ） (2025-09-16T17:57:21Z)
Atomic Reasoning for Scientific Table Claim Verification [83.14588611859826]
非専門家は、その高い情報密度と認識される信頼性のために、科学的表に基づく主張を誤解させるおそれがある。既存のテーブルクレーム検証モデル、例えば最先端の大規模言語モデル(LLM)は、しばしば精密なきめ細かい推論に苦しむ。認知負荷理論に触発されて、表に基づく主張を解釈するモデルの能力を高めるには、認知負荷を減らす必要がある。
論文参考訳（メタデータ） (2025-06-08T02:46:22Z)
CORRECT: Context- and Reference-Augmented Reasoning and Prompting for Fact-Checking [14.890042094350411]
本稿では,コンテキストと参照を付加した推論とプロンプティングという新しい手法を提案する。証拠推論のために、証拠層、文脈層、参照層を持つ3層エビデンスグラフを構築した。検証予測のために,各クレームに対して独自のプロンプト埋め込みを生成するエビデンス条件のプロンプトエンコーダを設計する。
論文参考訳（メタデータ） (2025-02-09T01:41:15Z)
Generating Literal and Implied Subquestions to Fact-check Complex Claims [64.81832149826035]
我々は、複雑なクレームを、そのクレームの正確性に影響を及ぼす「イエス・ノー・サブクエスト」の包括的集合に分解することに集中する。我々は1000以上のクレームに対する分解のデータセットである ClaimDecomp を提示する。これらのサブクエストは、関連する証拠を特定し、すべてのクレームを事実確認し、回答を通じて正確性を引き出すのに役立ちます。
論文参考訳（メタデータ） (2022-05-14T00:40:57Z)
AmbiFC: Fact-Checking Ambiguous Claims with Evidence [57.7091560922174]
実世界の情報ニーズから10kクレームを抽出したファクトチェックデータセットであるAmbiFCを提示する。アンビFCの証拠に対する主張を比較する際に,曖昧さから生じる不一致を分析した。我々は,このあいまいさをソフトラベルで予測するモデルを開発した。
論文参考訳（メタデータ） (2021-04-01T17:40:08Z)

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。