論文の概要: DeepRewind: Predicting and Repairing Premature Commitments in Deep Research Agents
- arxiv url: http://arxiv.org/abs/2609.36344v1
- Date: Mon, 28 Sep 2026 22:27:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.04366
- Title: DeepRewind: Predicting and Repairing Premature Commitments in Deep Research Agents
- Title（参考訳）: Deep Rewind:Deep Research Agentの早期コミット予測と修復
- Abstract要約: DeepRewindは可逆的な深層研究のための付加的な制御層である。
プロンプトベースの世界モデルは、その影響を予測し、可逆性を推定する。
一貫性モニタは、後続の証拠がそれらを無効にした場合、依存性を意識したロールバックを実行する。
- 参考スコア（独自算出の注目度）: 19.767001894847912
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep-research agents conduct long-horizon investigations through iterative search, evidence evaluation, belief revision, and synthesis. However, they may commit to claims before sufficient evidence is available, causing later reasoning to reinforce an incorrect interpretation. We introduce DeepRewind, an additive control layer for reversible deep research that represents the agent's evolving epistemic state as a typed graph of sources, evidence, claims, hypotheses, assumptions, commitments, plans, and drafts. Before accepting an intermediate conclusion, a prompt-based world model predicts its impact and estimates reversibility based on hypothesis narrowing, information loss, recovery cost, and contradiction-trigger coverage. A binary controller blocks risky commitments, while a consistency monitor performs dependency-aware rollback when later evidence invalidates them. Across DRBench and LiveDRBench, DeepRewind improves insight recall by 3.6 percentage points and reduces premature commitments by 59.1% relative to Open Deep Research.
- Abstract（参考訳）: ディープ・リサーチ・エージェントは反復探索、証拠評価、信条修正、合成を通じて長期調査を行う。
しかし、十分な証拠が得られない前に、彼らは主張をコミットし、後の推論は誤った解釈を補強する。
我々は、エージェントの進化するてんかん状態を、情報源、証拠、クレーム、仮説、仮定、コミットメント、計画、ドラフトの型付きグラフとして表現する、可逆的な深層研究のための付加的な制御層であるDeepRewindを紹介する。
中間的な結論を受け入れる前に、プロンプトベースの世界モデルは、その影響を予測し、仮説の絞り込み、情報損失、回復コスト、矛盾トリガーカバレッジに基づいて可逆性を推定する。
バイナリコントローラはリスクのあるコミットをブロックし、一貫性モニタは後続のエビデンスでそれらが無効になったときに依存性を認識したロールバックを実行する。
DRBenchとLiveDRBench全体で、DeepRewindはインサイトリコールを3.6ポイント改善し、Open Deep Researchと比較して早期コミットメントを59.1%削減した。
関連論文リスト
- BackTrend: Evaluating Scientific Weak-Signal Prediction via Backward Reconstruction [58.03195482017449]
成熟した対象トピックが与えられた場合、システムは問題空間信号、未認識の研究問題、解空間信号を回復しなければならない。
BackTrendには、人工知能と機械学習における25の成熟したターゲットトピックと、66人の有能な弱いシグナルが含まれている。
セマンティックマッチングとカバレッジに基づくメトリクスを用いて,フロンティアLLM,RAGシステム,エージェント研究システムの評価を行った。
論文 参考訳（メタデータ） (2026-09-21T17:18:19Z) - MIRAGE: How Conversation State Shapes Historical Evidence Use in Multimodal Personal Agents [15.173843369238156]
MIRAGEは個人エージェントの会話状態の変動に使用される歴史的証拠の制御された研究である。
結果のみの正当性から推定されるのではなく, 状態変化下での歴史的証拠の使用を評価すべきである。
論文 参考訳（メタデータ） (2026-08-25T10:59:10Z) - DeepWeaver: Bridging the Evidence Synthesis Gap in Open-Ended Question Answering [49.87758530386642]
ノイズの多い証拠を包括的回答に織り込むフレームワークであるDeepWeaverを提案する。
我々はDeepWeaverを知識ベースとWeb上のオープンエンドQAで評価し、エビデンス合成のための高密度ベンチマークであるLoQAを紹介した。
論文 参考訳（メタデータ） (2026-08-19T14:53:53Z) - Is Deep Research Reliable? Misleading Knowledge Induces False Conclusions [29.22067195388263]
ディープ・リサーチ・エージェントは、反復的に計画し、証拠を回収し、報告を作成することで、長期調査を行う。
明らかに信用できるが、事実としてこれらの防衛に導入された偽情報に抵抗できるかどうかは不明だ。
MisKnow-Agentは、手作業による偽結論の監査を支援するタスク固有文書を構築するフレームワークである。
論文 参考訳（メタデータ） (2026-07-23T03:28:08Z) - 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) - Before the Action: Benchmarking LLMs on Prospective Hypothesis Discovery [95.44432473367836]
大規模言語モデル(LLM)は、事前に特定された質問に答える能力に優れるが、未解決の未解決段階をナビゲートする能力はほとんど測定されていない。
仮説探索(PHD)を導入し,不確定な証拠から,仮説空間を自律的に構築することをモデルに求める。
本稿では,6つの科学的・分析的領域にわたる988ケースのベンチマークであるHypoArenaと,オープンエンド仮説セットの評価フレームワークであるHypoEvalを紹介する。
論文 参考訳（メタデータ） (2026-07-17T08:56:43Z) - RecRec: Latent Interests Recursive Reasoning for Sequential Recommendation [52.23179023639867]
逐次リコメンデータシステムは、ユーザインタラクションをエンコードし、次の項目を予測するために、1つのフォワードパスに依存している。
シーケンシャルなレコメンデーションのための推論プロセスをどのように構成するかは、未解決の問題である。
既存のアプローチでは、推論と予測を単一の$d$次元の状態に分割し、推論の深さを制限する。
本稿ではRLフリーフレームワークRecRec(Recursive Reasoning for Recommendation)を提案する。
論文 参考訳（メタデータ） (2026-07-14T16:28:28Z) - VeriTrace: Evolving Mental Models for Deep Research Agents [43.43659414477917]
ディープリサーチエージェントは、膨大な、相互依存的で広範囲に不確実な情報に直面します。
既存のシステムは、進化する中間表現がどのようなものになるべきかを探索するが、その進化は暗黙の推論に任せる。
エージェントのメンタルモデルは、タスク理解と現実を継続的に整合させる明示的なフィードバックを通じて進化すべきである、と我々は主張する。
論文 参考訳（メタデータ） (2026-05-25T17:46:57Z) - AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。
AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。
これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
論文 参考訳（メタデータ） (2026-03-21T04:12:04Z) - From Fluent to Verifiable: Claim-Level Auditability for Deep Research Agents [8.49451413641847]
研究生成が安価になるにつれて、監査可能性がボトルネックになる、と我々は主張する。
この観点からは,ディープリサーチエージェントの第一級設計および評価対象として,クレームレベルの監査性を提案する。
論文 参考訳（メタデータ） (2026-02-14T19:39:15Z) - DeepTRACE: Auditing Deep Research AI Systems for Tracking Reliability Across Citations and Evidence [50.97612134791782]
生成検索エンジンと深層研究のLLMエージェントは、信頼できるソース・グラウンドの合成を約束するが、ユーザーは常に過剰な自信、弱いソーシング、紛らわしい引用の慣行に遭遇する。
DeepTRACEは、社会技術的に基礎をおく新しい監査フレームワークで、コミュニティが特定した失敗事例を、回答テキスト、情報源、引用にまたがる8つの測定可能な次元に変換する。
論文 参考訳（メタデータ） (2025-09-02T00:32:38Z)
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。