論文の概要: DARE: Dialectical Agentic Reasoning for Structured Knowledge Fact Checking
- arxiv url: http://arxiv.org/abs/2609.13808v1
- Date: Sat, 12 Sep 2026 08:41:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.557614
- Title: DARE: Dialectical Agentic Reasoning for Structured Knowledge Fact Checking
- Title（参考訳）: DARE:構造化知識ファクトチェックのための辞書的エージェント推論
- Abstract要約: 構造化知識事実チェック(Structured Knowledge fact check)は、構造化された証拠を推論することで自然言語の主張の真正性を決定することを目的としている。
近年のプログラム生成手法は,大規模言語モデル(LLM)を利用して実行可能なグラフ推論プログラムを生成する。
本稿では,多エージェントフレームワークであるDialectical Agentic Reasoning(DARE)を提案する。
- 参考スコア（独自算出の注目度）: 12.74603871041188
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structured knowledge fact checking aims to determine the truthfulness of natural language claims by reasoning over structured evidence. Recent program-generation approaches leverage large language models (LLMs) to generate executable graph reasoning programs, achieving strong performance on structured knowledge fact checking benchmarks. However, these methods remain limited by invalid relation generation, single-path reasoning that lacks self-correction, and biased evidence assessment that tends to overestimate supporting signals. We propose Dialectical Agentic Reasoning (DARE), a multi-agent framework that formulates structured knowledge fact checking as an iterative retrieve-reason-reflect process. DARE integrates relation-grounded evidence retrieval to constrain reasoning to valid structures, dialectical bidirectional verification to evaluate evidence from both supporting and refuting perspectives, and confidence-driven meta-reflection to dynamically determine whether additional evidence exploration is necessary. Extensive experiments demonstrate the effectiveness of DARE in structured knowledge fact checking, with an 8B backbone achieving 88.12% accuracy and matching or surpassing GPT-4o-based program-generation baselines, which attests to the efficacy of dialectical agentic reasoning in eliciting the latent reasoning capabilities of LLMs.
- Abstract（参考訳）: 構造化知識事実チェック(Structured Knowledge fact check)は、構造化された証拠を推論することで自然言語の主張の真正性を決定することを目的としている。
近年のプログラム生成手法では,大規模言語モデル(LLM)を用いて実行可能なグラフ推論プログラムを生成し,構造化知識事実チェックベンチマークで高い性能を達成している。
しかし、これらの手法は、無効な関係生成、自己補正に欠ける単一経路推論、支持信号の過大評価に傾向のある偏りのある証拠評価によって制限されている。
本稿では,多エージェントフレームワークであるDialectical Agentic Reasoning(DARE)を提案する。
DAREは、関係的根拠に基づく証拠検索を統合し、妥当な構造に対する推論を制約し、弁証的双方向検証により、支持と反感の両面から証拠を評価するとともに、信頼駆動型メタリフレクションにより、追加的な証拠探索が必要かどうかを動的に判断する。
広範囲にわたる実験は、構造化知識事実チェックにおけるDAREの有効性を実証し、8Bのバックボーンが88.12%の精度を達成し、GPT-4oベースのプログラム生成ベースラインを適合または超えた。
関連論文リスト
- Evaluating and Improving Evidence-Grounded Fact-Checking in LLMs via Multi-Round Evidence Ablation [28.999694748110404]
市販のファクトチェックシステムは、提供された証拠よりもパラメトリックな知識に依存していることを示す。
本稿では,証拠に依存した検証を促進するトレーニングフレームワークであるREAL(Rigorous Evidence Ablation Learning)を提案する。
以上の結果から,強い事実チェック性能と弱い証拠依存性が共存する可能性が示唆された。
論文 参考訳（メタデータ） (2026-09-08T16:04:20Z) - Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である
本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
論文 参考訳（メタデータ） (2026-03-05T18:42:51Z) - TRUE: A Trustworthy Unified Explanation Framework for Large Language Model Reasoning [0.2538209532048867]
大規模言語モデル(LLM)は複雑な推論タスクにおいて強力な能力を示してきたが、その意思決定プロセスは解釈が難しいままである。
本稿では,実行可能推論検証,実現可能な領域指向非巡回グラフ(DAG)モデリング,因果故障モード解析を統合したTrustworthy Unified Explanation Framework(TRUE)を提案する。
論文 参考訳（メタデータ） (2026-02-21T17:00:54Z) - Pushing the Boundaries of Natural Reasoning: Interleaved Bonus from Formal-Logic Verification [49.506412445511934]
大きな言語モデル(LLM)は目覚ましい能力を示すが、その次は論理的不整合と報奨ハックを生み出す。
本稿では,自然言語生成プロセスと形式的記号的検証を動的にインターリーブする形式論理検証誘導フレームワークを提案する。
我々はこのフレームワークを,形式論理検証誘導制御による微調整とポリシー最適化の相乗効果を生かした,新しい2段階のトレーニングパイプラインを通じて運用する。
論文 参考訳（メタデータ） (2026-01-30T07:01:25Z) - Towards Comprehensive Stage-wise Benchmarking of Large Language Models in Fact-Checking [64.97768177044355]
大規模言語モデル(LLM)は、現実のファクトチェックシステムにますます多くデプロイされている。
FactArenaは、完全に自動化されたアリーナスタイルの評価フレームワークである。
本研究では,静的クレーム検証精度とエンドツーエンドのファクトチェック能力の相違点を明らかにした。
論文 参考訳（メタデータ） (2026-01-06T02:51:56Z) - Abductive Inference in Retrieval-Augmented Language Models: Generating and Validating Missing Premises [0.0]
本稿では,帰納的推論をLLMに組み込むフレームワークを提案する。
帰納的推論とマルチホップQAベンチマークの実験結果から,本手法は解答精度と帰納的忠実度の両方を改善することが示された。
この研究は、RAGシステムの堅牢性と説明可能性を高めるための有望な方向として、帰納的推論を強調している。
論文 参考訳（メタデータ） (2025-11-06T03:37:24Z) - Veri-R1: Toward Precise and Faithful Claim Verification via Online Reinforcement Learning [53.05161493434908]
大規模言語モデル(LLM)によるクレーム検証は、その強力な推論能力と透過的な検証プロセスのため、近年注目を集めている。
我々は、LLMが検索エンジンと対話し、その計画、検索、推論行動を明確に形作る報酬信号を受け取ることができるオンライン強化学習フレームワークであるVeri-R1を紹介した。
実験の結果、Veri-R1は最大30%の精度で関節の精度を向上し、エビデンススコアを2倍にし、より大きなモデルを上回ることが示されている。
論文 参考訳（メタデータ） (2025-10-02T11:49:48Z) - Reasoning Paths as Signals: Augmenting Multi-hop Fact Verification through Structural Reasoning Progression [12.437936654405211]
現実のシナリオにおける事実のクレームの複雑さの増大は、自動化された事実検証システムにとって大きな課題となる。
既存のアプローチは、しばしば、推論経路の進化する構造を捉えるのに失敗する静的または浅いモデルに依存している。
本稿では,エビデンス検索とクレーム検証の段階を通じて,構造化グラフとしての推論経路を明示的にモデル化する構造推論フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-08T10:30:36Z) - CLATTER: Comprehensive Entailment Reasoning for Hallucination Detection [60.98964268961243]
我々は,系統的かつ包括的な推論プロセスを実行するためのモデルを導くことで,モデルがよりきめ細やかで正確な絞り込み決定を実行できることを提案する。
我々は,(i)クレームの分解,(ii)サブクレームの属性と包含分類,および(iii)集約分類から成る3段階の推論プロセスを定義し,そのような導出推論が実際に幻覚検出の改善をもたらすことを示す。
論文 参考訳（メタデータ） (2025-06-05T17:02:52Z) - A Closer Look at the Self-Verification Abilities of Large Language Models in Logical Reasoning [73.77088902676306]
論理的推論の文脈において,大規模言語モデル(LLM)の自己検証能力について詳しく検討する。
本研究の主目的は,既存のLCMが誤った推論手順を正確に識別するのに苦労し,自己検証法の有効性を保証できないことにある。
論文 参考訳（メタデータ） (2023-11-14T07:13:10Z)
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。