論文の概要: GraphEcho: Structural Redundancy and Evidence Provenance in LLM Graph Agents

• arxiv url: http://arxiv.org/abs/2609.17695v1
• Date: Tue, 15 Sep 2026 18:07:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.492583
• Title: GraphEcho: Structural Redundancy and Evidence Provenance in LLM Graph Agents
• Title（参考訳）: GraphEcho: LLMグラフエージェントの構造的冗長性とエビデンス
• Abstract要約: GraphEchoは、グラフエージェントが追加のコロンボレーションのために繰り返し遭遇したことを誤っているかどうかをテストする。 Provenance-Aware Post-Training (PAPT)は、修正を減らし、合成精度を向上させるが、異なるソースをカバーしている。
• 参考スコア（独自算出の注目度）: 3.721747392675793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A large language model (LLM) agent can follow more graph paths without acquiring more independent evidence. GraphEcho tests whether agents mistake these repeated encounters for additional corroboration. The benchmark varies path counts and evidential origins while holding evidence content fixed, and evaluates both judgments and active exploration. Controlled synthetic experiments reveal model-dependent judgment shifts, but redundant supporting paths increase the share of repeated walks across all evaluated frozen agents. Provenance-aware post-training (PAPT) reduces revisits and improves synthetic accuracy, yet covers fewer distinct sources. On scientific claims, it continues to reduce repetition while accuracy declines. These findings expose a gap between efficient exploration and effective evidence use: an agent can learn to stop repeating itself while overlooking information it needs. GraphEcho provides a controlled way to evaluate both what graph agents conclude and whether their exploration reaches distinct evidential sources.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、より独立した証拠を得ることなく、より多くのグラフパスに従うことができる。 GraphEchoは、エージェントがこれらの繰り返しの遭遇を、追加の共謀で間違えたかどうかをテストする。 このベンチマークは、エビデンスの内容を保持しながらパスカウントと明確な起源を変え、判断と活発な探索の両方を評価する。 制御された合成実験は、モデル依存の判断シフトを示すが、冗長な支持経路は、評価された全ての凍結剤を横断する繰り返しウォークのシェアを増加させる。 Provenance-Aware Post-Training (PAPT)は、修正を減らし、合成精度を向上させるが、異なるソースをカバーしている。 科学的主張では、精度が低下する一方で繰り返しを減らし続けている。 エージェントは、必要な情報を見落としながら、自分自身を繰り返すのをやめることを学ぶことができる。 GraphEchoは、グラフエージェントの結論と、その探索が明確な明確な情報源に到達するかどうかの両方を評価するための制御された方法を提供する。

関連論文リスト

• Navigating Sparse Evidence: Agentic Visual RAG via Explicit Context Selection and Consolidation [50.92223196290564]
  明示的な証拠選択と統合のための統一エージェントループを提案する。 探索中、SCoREはクエリ関連観測とソースポインタのみを保守されたテキスト台帳に保持する。 終了時には、参照された元のイメージを再ロードし、答えの視覚的証拠を統合し、論理的なシーケンスにアレンジする。
  論文  参考訳（メタデータ） (2026-09-14T16:11:35Z)
• EviGraph: Evidence-Guided Autonomous Research Agents [12.29802995923839]
  我々は,研究プロセスを表す自律的な研究フレームワークであるEviGraphを,型付きエビデンスグラフとして紹介する。 EviGraphは、依存関係の欠如、セマンティックなミスアライメント、結果定義の不整合のエビデンスチェーンを検査する。 最初期の弱いノードをローカライズし、影響を受けた下流のサブグラフを再生する。
  論文  参考訳（メタデータ） (2026-08-05T12:02:55Z)
• AREX: Towards a Recursively Self-Improving Agent for Deep Research [75.96468303743958]
  本稿では,再帰的自己改善型ディープリサーチエージェントであるAREXを紹介する。 AREXは、証拠を集め、暫定的な回答を構築する内部研究ループを交互に構成する。 我々は,エージェント学習と長期強化学習を通じて,AREXを検証済みの合成タスクと高品質な軌道上で訓練する。
  論文  参考訳（メタデータ） (2026-07-23T16:05:46Z)
• 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)
• VeriGraph: Towards Verifiable Data-Analytic Agents [71.17693022916896]
  LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、その出力は滅多に検証されていない。 We propose VeriGraph, a traceable neuro-symbolic reasoning framework that agent can construct an explicit heterogeneous evidence directed acyclic graph。 以上の結果から,明示的なエビデンスグラフ構築がデータ分析エージェントの検証に期待できる道のりであることが示唆された。
  論文  参考訳（メタデータ） (2026-06-15T11:50:56Z)
• Why Neighborhoods Matter: Traversal Context and Provenance in Agentic GraphRAG [0.6882042556551609]
  エージェントグラフRAGは、外部証拠の回答を根拠にすることで、事実性を改善することができる。 我々は、軌道レベルの問題として引用忠実性を定めている。 引用された証拠は、解答が大幅に変わるため、しばしば必要であることを示す。 しかし、正確な答えは暗黙の文脈や周囲のグラフ構造にも依存するため、引用は不十分である。
  論文  参考訳（メタデータ） (2026-05-14T17:25:20Z)
• CUE-R: Beyond the Final Answer in Retrieval-Augmented Generation [0.996038809132083]
  CUE-Rは、単発RAGにおいて、エビデンス単位の操作性を測定するためのフレームワークである。 CUE-RはREMOVE、REPLACE、DUPLICATE演算子を介して個々の証拠項目を摂動し、3つのユーティリティ軸に沿って変化を測定する。 その結果,回答のみの評価は重要なエビデンス効果を見逃し,介入に基づくユーティリティ分析がRAG評価の実践的補完となることが示唆された。
  論文  参考訳（メタデータ） (2026-04-07T06:05:08Z)
• Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
  Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。 LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
  論文  参考訳（メタデータ） (2025-11-15T02:50:23Z)

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。