論文の概要: LogicTree-RAG: Logic Tree-guided Retrieval-Augmented Generation for Long-form Patent Drafting

• arxiv url: http://arxiv.org/abs/2609.30943v1
• Date: Fri, 25 Sep 2026 07:56:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.283802
• Title: LogicTree-RAG: Logic Tree-guided Retrieval-Augmented Generation for Long-form Patent Drafting
• Title（参考訳）: LogicTree-RAG:長期特許出願のための論理木誘導検索生成
• Abstract要約: 技術文書のための論理木誘導検索拡張生成フレームワークであるLogicTree-RAGを提案する。 LogicTree-RAGは、強力なLCMベースラインよりもコンテンツ品質と言語適合性を一貫して改善することを示す。
• 参考スコア（独自算出の注目度）: 45.072575810167564
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-form technical text generation underpins knowledge-intensive workflows, yet remains challenging for large language models (LLMs) due to the need for globally consistent logical structuring and faithful technical reasoning beyond local coherence. Patent drafting is a canonical instance of this challenge, demanding holistic generation of a legally compliant and technically exhaustive document through sustained multi-expert collaboration. Existing approaches often focus on partial section generation or rely on manually crafted outlines, limiting scalable automation in realistic settings. In this work, we propose LogicTree-RAG, a logic tree-guided retrieval-augmented generation framework that induces a hierarchical logic tree as a global organizational backbone to organize and ground technical disclosures, without relying on expert-defined drafting priors. Each node in the logic tree represents a technical element and is constructed through evidence-guided recursive generation. A hybrid traversal mechanism then maps the logic tree into patent sections, enabling controllable and section-balanced generation. Extensive experiments show that LogicTree-RAG consistently improves content quality and language conformity over strong LLM-based baselines and achieves longer structured generation with high token efficiency, demonstrating the effectiveness of logic-centric generation for complex technical document drafting.
• Abstract（参考訳）: 長文の技術的テキスト生成は知識集約的なワークフローを支えるが、局所的一貫性を超えた論理的構造化と忠実な技術的推論の必要性から、大規模言語モデル(LLM)では依然として困難である。 特許の起草は、この挑戦の典型例であり、持続的なマルチ専門家の協力を通じて、法的に準拠し、技術的に徹底した文書の全体的生成を要求する。 既存のアプローチは、部分的な部分の生成や手作業によるアウトラインに依存し、現実的な設定でスケーラブルな自動化を制限することが多い。 本研究では,論理木誘導検索拡張生成フレームワークであるLogicTree-RAGを提案する。 論理木の各ノードは技術要素を表し、エビデンス誘導再帰生成によって構成される。 ハイブリッドトラバーサル機構は、論理木を特許区画にマッピングし、制御可能かつ分割バランスの取れた生成を可能にする。 大規模な実験により、LogicTree-RAGは、強力なLCMベースのベースラインよりもコンテンツ品質と言語適合性を一貫して改善し、高いトークン効率でより長い構造化された生成を実現し、複雑な技術的文書起草における論理中心の生成の有効性を実証した。

関連論文リスト

• SymbolLKG: Towards Verifiable Logical Reasoning via Logical Knowledge Graph and Symbolic Solvers [20.356252444311195]
  大規模言語モデル(LLM)は、自然言語理解において顕著な熟練性を示しているが、厳密な多段階推論に苦慮している。 既存のChain-of-Thought(CoT)のようなソリューションは厳密な検証メカニズムを欠いているが、標準的なRetrieval-Augmented Generation(RAG)は論理的タスクに固有の複雑な構造的依存関係を欠いていることが多い。 論理知識グラフ(LKG)と動的ソルバルーティングを統合したニューロ・シンボリックアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-08-27T09:06:52Z)
• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• TreePS-RAG: Tree-based Process Supervision for Reinforcement Learning in Agentic RAG [71.06073770344732]
  エージェント検索強化生成(RAG)は、推論と情報検索の多段階的な相互作用として質問応答を定式化する。 エージェントRAGのためのオンラインツリーベースRLフレームワークであるTreePS-RAGについて述べる。
  論文  参考訳（メタデータ） (2026-01-11T14:07:30Z)
• Last Layer Logits to Logic: Empowering LLMs with Logic-Consistent Structured Knowledge Reasoning [55.55968342644846]
  大規模言語モデル(LLM)は、膨大な非構造化テキストの事前学習を通じて、自然言語推論タスクにおいて優れた性能を達成する。 LLM出力の論理的欠陥を修正するために,ロジット強化とロジットフィルタリングをコアモジュールとして組み込んだ textitLogits-to-Logic フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-11T07:08:27Z)
• A Novel Architecture for Symbolic Reasoning with Decision Trees and LLM Agents [0.0]
  本稿では,決定木に基づく記号推論と大規模言語モデルの生成機能を統合するハイブリッドアーキテクチャを提案する。 ツリーベースのモジュールは解釈可能なルール推論と因果論理を可能にし、一方LLMエージェントは帰納的推論、一般化、対話的計画を扱う。 システムは推論ベンチマークで高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-07T12:11:53Z)
• LogicTree: Structured Proof Exploration for Coherent and Rigorous Logical Reasoning with Large Language Models [9.339988760379915]
  LogicTreeは、アルゴリズム誘導探索を用いて構造化された証明探索を自動化する推論時モジュラーフレームワークである。 前提優先度付けのための2自由導出を導入し、戦略的証明探索を可能にする。 LogicTreeでは、GPT-4oは平均7.6%でo3-miniを上回っている。
  論文  参考訳（メタデータ） (2025-04-18T22:10:02Z)
• HopRAG: Multi-Hop Reasoning for Logic-Aware Retrieval-Augmented Generation [28.69822159828129]
  グラフ構造化知識探索による論理的推論による検索を強化する新しいRAGフレームワークである textbfHopRAG を提案する。 インデックス作成中にHopRAGは、テキストチャンクを頂点とし、LLM生成した擬似クエリをエッジとして確立した論理接続をエッジとして、パスグラフを構築する。 語彙的または意味論的に類似した通路から始まり、擬似クエリとLSM推論によって導かれるマルチホップ隣人を探索し、真に関連のあるものを識別する。
  論文  参考訳（メタデータ） (2025-02-18T02:24:42Z)
• Discourse-Aware Graph Networks for Textual Logical Reasoning [142.0097357999134]
  パッセージレベルの論理関係は命題単位間の係り合いまたは矛盾を表す(例、結論文) 論理的推論QAを解くための論理構造制約モデリングを提案し、談話対応グラフネットワーク(DAGN)を導入する。 ネットワークはまず、インラインの談話接続とジェネリック論理理論を利用した論理グラフを構築し、その後、エッジ推論機構を用いて論理関係を進化させ、グラフ機能を更新することで論理表現を学習する。
  論文  参考訳（メタデータ） (2022-07-04T14:38:49Z)

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。