論文の概要: Knowledge Pull Requests for Continual Document Authoring

• arxiv url: http://arxiv.org/abs/2609.26634v1
• Date: Tue, 22 Sep 2026 16:07:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.738717
• Title: Knowledge Pull Requests for Continual Document Authoring
• Title（参考訳）: 継続的文書作成のための知識プル要求
• Abstract要約: 知識プルリクエスト(KPR)は、各変更を解釈可能にする継続的ドキュメントオーサリングのためのフレームワークである。 KPRは、クレームの抽出、フィルタリング、セクションへのルーティング、既存のコンテンツとのコンフリクトのフラグ付けによって、新しい知識をドキュメントに統合する。 我々は、言語間でのウィキペディアの改訂と、RAGTIMEにおけるクエリ駆動レポートの更新について、KPRを評価した。
• 参考スコア（独自算出の注目度）: 92.75875707790453
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce Knowledge Pull Requests (KPRs), a framework for continual document authoring that makes each change interpretable. Documents require ongoing revision as new knowledge surfaces from other sources, languages, or times, but existing approaches either edit with no account of what knowledge changed or regenerate from scratch. A KPR integrates new knowledge into a document by extracting claims, filtering and routing them to sections, and flagging conflicts with existing content, producing a ChangeLog that separates what knowledge changes (claim proposal) from how the text changes (document diff). We evaluate KPRs on revising Wikipedia across languages and updating query-driven reports on RAGTIME. KPRs integrate more information and better preserve existing content than rewriting from sources or regenerating from scratch, while adding the most information per token generated. A KPR-revised article also grounds question answering better than a frontier model with search, which does not surface knowledge documented only in other languages.
• Abstract（参考訳）: 我々は、各変更を解釈可能にする連続的なドキュメントオーサリングのためのフレームワークであるKPR(Knowledge Pull Requests)を紹介します。 文書は、他の情報源、言語、あるいは時代からの新たな知識表面として、継続的な修正を必要とするが、既存のアプローチでは、知識が何を変えたか、あるいはスクラッチから再生されたかを考慮せずに編集する。 KPRは、要求を抽出し、フィルタリングし、セクションにルーティングし、既存のコンテンツとの競合をフラグ付けすることで、ドキュメントに新しい知識を統合する。 我々は、言語間でのウィキペディアの改訂と、RAGTIMEにおけるクエリ駆動レポートの更新について、KPRを評価した。 KPRは、ソースから書き直したり、スクラッチから再生するよりも多くの情報を統合し、既存のコンテンツを保存し、トークンごとに最も多くの情報を追加します。 KPRが改訂した記事は、他の言語でしか文書化されていない知識を表わさない検索のフロンティアモデルよりも優れた回答を下している。

関連論文リスト

• Structured Knowledge Representation through Contextual Pages for Retrieval-Augmented Generation [53.768256130061765]
  PAGERは、RAGのためのページ駆動の自律的知識表現フレームワークである。 関連文書を反復的に検索して洗練し、各スロットをポップアップさせ、最終的にコヒーレントなページを構成する。 実験の結果、PAGERはすべてのRAGベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-14T11:44:31Z)
• AnyEdit: Edit Any Knowledge Encoded in Language Models [76.28789588247659]
  大規模言語モデル(LLM)のための新しい自動回帰編集パラダイムであるAnyEditを提案する。 長い形式の知識を逐次チャンクに分解し、各チャンク内のキートークンを反復的に編集し、一貫性と正確な出力を保証する。 UnKEBench、AKEW、そして我々の長文の多様な知識のための新しいEditEverythingデータセットを含むベンチマークでは、強いベースラインを21.5%上回っている。
  論文  参考訳（メタデータ） (2025-02-08T16:18:37Z)
• STACKFEED: Structured Textual Actor-Critic Knowledge Base Editing with FeedBack [9.207360247989346]
  FEED(英: Structured Textual Actor-Critic Knowledge base editing with FEEDback approach)は、構造化テキストアクター・クリティカルな知識ベースの編集である。 FEEDは、専門家のフィードバックに基づいて知識ベースを洗練し、マルチアクタ、集中型批評家強化学習フレームワークを使用する。 FEEDはRAGシステムの品質と性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-10-14T14:56:01Z)
• Linking Code and Documentation Churn: Preliminary Analysis [2.033674689332928]
  本研究では,GitHubの3つのオープンソースプロジェクトにおけるコードチャーンとドキュメント更新の同期について検討する。 予備的な結果は、プロジェクト間で異なる同期度を示し、統合された並行ドキュメントプラクティスの重要性を強調します。 この研究の斬新さは、コードの変更とドキュメントの更新を同期させることが、多様性と効率を向上させることで、開発ライフサイクルをいかに改善できるかを示すことである。
  論文  参考訳（メタデータ） (2024-10-08T12:41:58Z)
• CoTKR: Chain-of-Thought Enhanced Knowledge Rewriting for Complex Knowledge Graph Question Answering [33.89497991289916]
  そこで本研究では,新たな書込み手法であるCoTKRを提案し,推論トレースとそれに対応する知識をインターリーブ方式で生成する。 我々は,様々な知識グラフ質問回答 (KGQA) ベンチマークを用いて,様々な言語モデル (LLM) を用いて実験を行う。
  論文  参考訳（メタデータ） (2024-09-29T16:08:45Z)
• Language Modeling with Editable External Knowledge [90.7714362827356]
  本稿では,新たな文書取得時のモデル動作を改善するERASEを提案する。 ドキュメントを追加するたびに、知識ベースで他のエントリを段階的に削除または書き直します。 7-13%(Mixtral-8x7B)と6-10%(Llama-3-8B)の精度を向上する。
  論文  参考訳（メタデータ） (2024-06-17T17:59:35Z)
• AKEW: Assessing Knowledge Editing in the Wild [79.96813982502952]
  AKEW(Assessing Knowledge Editing in the Wild)は知識編集のための新しい実用的なベンチマークである。 知識更新の編集設定は、構造化された事実、構造化されていない事実としてのテキスト、抽出された三つ組の3つを網羅している。 大規模な実験を通じて、最先端の知識編集手法と実践シナリオの間にかなりのギャップがあることを実証する。
  論文  参考訳（メタデータ） (2024-02-29T07:08:34Z)
• 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)

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。