論文の概要: Incremental Retrieval-Augmented Generation for Human-in-the-Loop Decision Support
- arxiv url: http://arxiv.org/abs/2610.12666v1
- Date: Thu, 08 Oct 2026 19:43:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.260015
- Title: Incremental Retrieval-Augmented Generation for Human-in-the-Loop Decision Support
- Title（参考訳）: 対人決定支援のための漸進的検索型生成法
- Abstract要約: そこで我々は,リトリーバル拡張生成(RAG)とハイブリッド意思決定を併用した,ループ内意思決定支援システムiRAGを紹介する。
従来のRAGシステムとは異なり、私たちの提案は知識ベースが当初空で、人的決定によって徐々に人口が集まっている設定に対処する。
このシステムは、以前の決定を検索可能な先例として保存し、サイレントな観察からエビデンスに基づくコンテスト、そして最後に、棄権を伴う自律的なハンドリングへと移行する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce iRAG, a human-in-the-loop decision-support system combining Retrieval-Augmented Generation (RAG) with Hybrid Decision-Making. Unlike conventional RAG systems, relying on static Knowledge Bases (KBs), our proposal addresses settings where the KB is initially empty and is progressively populated through human decisions. The system stores previous decisions as retrievable precedents and moves from silent observation to evidence-grounded contestation and, finally, to autonomous handling with abstention. Against an independent baseline, iRAG matches final-decision error under 10% drift without retrieval decay and reduces it under 40% drift across all configurations. Retrieval decay improves performance on changed knowledge while increasing error on stable knowledge, evidencing a stability--plasticity trade-off rather than a general advantage. Human oversight is an architectural provision of the workflow; its usability with real human users remains to be evaluated.
- Abstract（参考訳）: そこで我々は,リトリーバル拡張生成(RAG)とハイブリッド意思決定を併用した,ループ内意思決定支援システムiRAGを紹介する。
静的知識ベース(KB)に依存する従来のRAGシステムとは異なり、提案手法はKBが当初空で、人的決定によって徐々に人口が増えていく設定に対処する。
このシステムは、以前の決定を検索可能な先例として保存し、サイレントな観察からエビデンスに基づくコンテスト、そして最後に、棄権を伴う自律的なハンドリングへと移行する。
独立したベースラインに対して、iRAGは検索崩壊なしで10%のドリフトで最終決定誤差と一致し、全ての構成で40%のドリフトで減少する。
検索崩壊は、変化した知識の性能を改善し、安定な知識の誤差を増大させ、一般的な利点ではなく、安定性-塑性トレードオフを生じさせる。
人間による監視はワークフローのアーキテクチャ的なプロビジョニングであり、実際の人間のユーザに対するユーザビリティは評価されていない。
関連論文リスト
- BoardroomAI: Dependency-Aware Human-Steerable Multi-Agent Deliberation through Evolving Decision Graphs [0.0]
BoardroomAIは、人間を、挑戦的な仮定、制約の変更、優先順位の変更、証拠の導入、意思決定プロセスのリダイレクトによって介入できる永続的な参加者として扱う。
i) 証拠,仮定,制約,クレーム,異議,代替案,リスク,決定,セマンティック依存関係,専門的責任を表す型付き決定グラフ,(ii) 確認されたヒューマンアクションを明示的なグラフ更新に変換する介入コンパイラ,(iv) 介入の影響、修復カバレッジ、保存、再計算、決定妥当性を測定する評価フレームワーク。
論文 参考訳（メタデータ） (2026-08-13T10:11:13Z) - SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。
自己検証を計算制御ポリシとして使用することを学ぶ。
マクロ平均精度は0.563で、平均で2.99回しか推測できない。
論文 参考訳（メタデータ） (2026-07-30T16:20:58Z) - Decoupling Thought from Speech: Knowledge-Grounded Counterfactual Reasoning for Resilient Multi-Agent Argumentation [0.0]
マルチエージェントの議論フレームワークは、収束タスクにおける大きな言語モデルのパフォーマンスを改善することが示されている。
これらのフレームワークは現在、プロセスの安定性よりも最終的な出力精度を強く好んで最適化されている。
本稿では,KG-CFR(Knowledge-Grounded Counterfactual Reasoning)について紹介する。
論文 参考訳（メタデータ） (2026-06-09T06:43:18Z) - Unweighted ranking for value-based decision making with uncertainty [5.607590231264275]
本稿では,Fuzzy-Unweighted Value-Based Decision Making (FUW-VBDM)フレームワークを紹介する。
エージェントは定量的基準と質的基準の両方を取り入れ、人間中心の意思決定を生成する。
本稿では,不確実性を定量化するためにファジィに基づく推論を統合する,カスタマイズ可能なアンウェイトランキング手法であるRanzzyを提案する。
論文 参考訳（メタデータ） (2026-05-13T14:36:17Z) - Causal Algorithmic Recourse: Foundations and Methods [57.73269033551628]
AIシステムの主な特徴は、個人が否定的な決定を覆す方法のレコメンデーションを提供する能力である。
既存のアプローチでは、recourseの結果を固定単位の反事実として扱う。
我々は、事前および事後結果のプロセスとして、会話をモデル化する因果的枠組みを開発する。
論文 参考訳（メタデータ） (2026-05-12T00:55:19Z) - SAGER: Self-Evolving User Policy Skills for Recommendation Agent [18.821028533463824]
大規模言語モデル(LLM)ベースのレコメンデーションエージェントは、ユーザごとのセマンティックメモリの進化を通じて知っていることをパーソナライズする。
本稿では,SAGERを提案する。SAGERは,ユーザが専用のポリシースキルを身に付けるための,最初のレコメンデーションエージェントフレームワークである。
4つの公開ベンチマークの実験では、SAGERが最先端のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2026-04-16T13:06:49Z) - DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。
DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
論文 参考訳（メタデータ） (2026-03-16T02:02:38Z) - ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。
我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-27T05:22:01Z) - Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。
RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。
批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。
AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
論文 参考訳（メタデータ） (2025-04-21T04:56:47Z) - AI-in-the-Loop Sensing and Communication Joint Design for Edge Intelligence [65.29835430845893]
本稿では,AI-in-the-loopジョイントセンシングと通信によるエッジインテリジェンス向上のためのフレームワークを提案する。
私たちの研究の重要な貢献は、バリデーション損失とシステムのチューニング可能なパラメータとの間に明確な関係を確立することです。
提案手法は, 通信エネルギー消費を最大77%削減し, 試料数で測定した検知コストを最大52%削減する。
論文 参考訳（メタデータ） (2025-02-14T14:56:58Z)
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。