論文の概要: From Knowledge Access to Source Learning: Developing Source-Specific Competence

• arxiv url: http://arxiv.org/abs/2610.02150v1
• Date: Thu, 01 Oct 2026 17:50:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.355187
• Title: From Knowledge Access to Source Learning: Developing Source-Specific Competence
• Title（参考訳）: 知識アクセスからソース学習へ:ソース特化能力の育成
• Abstract要約: 大規模言語モデル(LLM)エージェントは、知識集約的なタスクのシーケンスを解決するために、永続的な外部ソースに依存している。 ソース学習: 永続的な権威ソース上で再利用可能なソース固有能力を開発する。 本稿では,2つの補完学習機構を組み合わせたSourceLearnを提案する。
• 参考スコア（独自算出の注目度）: 45.202592227832746
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large language model (LLM) agents increasingly rely on persistent external sources to solve sequences of knowledge-intensive tasks. Existing methods improve how source content is accessed and organized, while agent-memory systems preserve reusable knowledge from prior interactions, but repeated use of the same source is still largely treated as repeated access rather than an opportunity to progressively improve understanding of that source. We study source learning: developing reusable source-specific competence over a persistent authoritative source. We represent this competence with a persistent source model that captures reusable understanding of the source, including how its knowledge is structured, interpreted, and applied. To construct and progressively refine such models, we propose SourceLearn, which combines two complementary learning mechanisms. Self-Directed Source Learning identifies what remains incompletely understood and adaptively revisits the source, while Task-Guided Source Learning uses downstream experience to reveal local representational gaps and recurring needs in how source knowledge should be organized. In both cases, learning signals determine what should be reconsidered, while persistent updates are reconstructed from the authoritative source. Across five benchmarks and three LLM backends, SourceLearn achieves the best performance in 13 of 15 settings, with gains of up to 22.6 points over Hybrid RAG and substantial overall improvements over static source representations and experience-based memory baselines.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、知識集約的なタスクのシーケンスを解決するために、永続的な外部ソースに依存している。 既存の方法は、ソースコンテンツへのアクセスや整理方法を改善する一方で、エージェントメモリシステムは、以前のインタラクションから再利用可能な知識を保存しているが、同じソースの繰り返しの使用は、そのソースに対する理解を徐々に改善する機会ではなく、繰り返しアクセスとして扱われる。 ソース学習: 永続的な権威ソース上で再利用可能なソース固有能力を開発する。 私たちは、その知識がどのように構造化され、解釈され、適用されているかを含む、ソースの再利用可能な理解をキャプチャする永続的なソースモデルで、この能力を表現します。 本稿では,2つの補完学習機構を組み合わせたSourceLearnを提案する。 一方、Task-Guided Source Learningは、ダウンストリームエクスペリエンスを使用して、ソース知識の組織化方法における局所的な表現的ギャップと反復的なニーズを明らかにします。 どちらの場合も、学習信号は再検討すべきことを判断し、永続的な更新は信頼できるソースから再構成される。 5つのベンチマークと3つのLLMバックエンドで、SourceLearnは15設定中13で最高のパフォーマンスを達成し、ハイブリッドRAGよりも最大22.6ポイント、静的なソース表現とエクスペリエンスベースのメモリベースラインよりも大幅に改善されている。

関連論文リスト

• OmniRetrieval: Unified Retrieval across Heterogeneous Knowledge Sources [67.62754856088591]
  既存のレトリバーは、固定クエリ言語の下で一度に1つのソース上で動作します。 OmniRetrievalは、自然言語クエリを取り込み、適切な知識ソースを識別するフレームワークである。
  論文  参考訳（メタデータ） (2026-05-28T02:10:35Z)
• 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)
• MATTER: Memory-Augmented Transformer Using Heterogeneous Knowledge Sources [12.783393023641505]
  我々は、MATTERと呼ばれる効率的なメモリ拡張変換器を導入する。 MATTERは、固定長のニューラルメモリの形で、非構造化ソース(パラグラフ)と半構造化ソース(QAペア)の両方から読み取る。 提案モデルでは,従来のQAベンチマークにおいて,精度と速度の両面で,既存の効率的な検索強化モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-07T06:35:37Z)
• Source-Aware Training Enables Knowledge Attribution in Language Models [81.13048060332775]
  固有のソースの引用は透明性、解釈可能性、検証可能性を高めることができる。 我々のトレーニングレシピは、モデルの難易度に大きな影響を与えることなく、事前学習データへの忠実な帰属を可能にする。
  論文  参考訳（メタデータ） (2024-04-01T09:39:38Z)
• A Knowledge Plug-and-Play Test Bed for Open-domain Dialogue Generation [51.31429493814664]
  マルチソース対話知識の選択と応答生成を評価するために,ウィキペディアのマルチソースウィザードというベンチマークを示す。 本稿では,すでに訓練済みの対話モデルを用いて,未確認の情報源からの新たなサポート知識を利用するための新たな課題である対話知識プラグイン・アンド・プレイを提案する。
  論文  参考訳（メタデータ） (2024-03-06T06:54:02Z)
• Learning To Rank Resources with GNN [7.337247167823921]
  本稿では,資源クエリと資源リソースの関係をモデル化可能なグラフニューラルネットワーク(GNN)に基づく学習からランクへのアプローチを提案する。 提案手法は,様々なパフォーマンス指標において,最先端の6.4%から42%を上回っている。
  論文  参考訳（メタデータ） (2023-04-17T02:01:45Z)
• Deep Transfer Learning for Multi-source Entity Linkage via Domain Adaptation [63.24594955429465]
  マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。 AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。 本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
  論文  参考訳（メタデータ） (2021-10-27T15:20:41Z)
• Evaluating the Values of Sources in Transfer Learning [38.93955146476584]
  SEAL-Shapは、ソースの有用性を定量化する効率的なソース評価フレームワークである。 我々のフレームワークは有用な転送ソースを選択するのに有効であるだけでなく、ソース値も直感的なソースとターゲットの類似性にマッチする。
  論文  参考訳（メタデータ） (2021-04-26T13:35:24Z)

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。