論文の概要: Co-adaptive Rule Routing and Constraining for Structured Knowledge Retrieval

• arxiv url: http://arxiv.org/abs/2610.14465v2
• Date: Sat, 17 Oct 2026 17:04:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:32:45.260081
• Title: Co-adaptive Rule Routing and Constraining for Structured Knowledge Retrieval
• Title（参考訳）: 構造化知識検索のための共適応ルールルーティングと制約
• Abstract要約: Co-Adaptive Rule Routing and Constraining Retrieval (CoRE) CoREは、クエリルペアを事前に定義せずに、各クエリに割り当てる推論ルールと、そのルールの下でエビデンスを取得する方法を学ぶ。 STaRK-QAデータセットの科学的発見、生物医学的推論、電子商取引知識管理に関する実験。
• 参考スコア（独自算出の注目度）: 66.83192752687921
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structured knowledge retrieval acquires task-relevant evidence from structured knowledge sources for downstream tasks. Existing methods rely on unconstrained retrieval or predefined query-rule supervision, such as author-paper rules for scientific discovery and anatomy-drug rules for precision medicine. Such supervision is rarely available in practice. We propose Co-Adaptive Rule Routing and Constraining Retrieval (CoRE), which jointly learns which reasoning rule to assign to each query and how to retrieve evidence under that rule, without predefined query-rule pairs. A routing agent selects a rule, and its corresponding retriever traverses the knowledge base and ranks evidence that satisfies the rule's constraints. Because routing and retrieval are interdependent, CoRE alternates between reinforcement learning for the routing policy and contrastive learning for the rule-constrained retriever. The selected rules provide supervision for retriever training, while retrieval performance rewards the routing policy. This closed-loop process enables both components to co-adapt without explicit query-rule supervision. Experiments on STaRK-QA datasets across scientific discovery, biomedical reasoning, and e-commerce knowledge management demonstrate CoRE's effectiveness. Ablations show the benefit of co-adapting the router and retriever. Generation-based routing transfers across datasets and benefits from multi-domain pretraining followed by target-specific fine-tuning. Analysis of rule usage across queries also informs automatic rule refinement and discovery.
• Abstract（参考訳）: 構造化知識検索は、下流タスクのための構造化知識ソースからタスク関連エビデンスを取得する。 既存の方法は、科学的発見のための著者・紙の規則や精密医療のための解剖学・薬則など、制約のない検索や事前定義されたクエリルールの監督に依存している。 このような監督は実際はめったに行われない。 本稿では,各クエリにどの推論ルールを割り当てるか,そのルールの下で証拠をどうやって取得するかを,事前に定義されたクエリルールペアを使わずに共同で学習する,CoRE(Co-Adaptive Rule Routing and Constraining Retrieval)を提案する。 ルーティングエージェントがルールを選択し、それに対応するレトリバーが知識ベースを横切り、ルールの制約を満たす証拠をランク付けする。 ルーティングと検索は相互依存するため、CoREはルーティングポリシーの強化学習とルール制約付き検索器のコントラスト学習を交互に行う。 選択されたルールは、検索者のトレーニングを監督し、検索性能はルーティングポリシーに報いる。 このクローズドループプロセスにより、両方のコンポーネントが明示的なクエリルールの監視なしに協調適応できる。 科学的発見、生物医学的推論、電子商取引知識管理にわたるSTaRK-QAデータセットの実験は、CoREの有効性を実証している。 アブレーションは、ルータとレトリバーを併用する利点を示している。 データセット間の生成ベースのルーティング転送と、マルチドメイン事前トレーニングのメリットに続いて、ターゲット固有の微調整を行う。 クエリ間でのルール利用の分析は、自動ルールの洗練と発見も通知する。

関連論文リスト

• Citation-Closure Retrieval and Per-Rule Attribution for Real-World Regulatory Compliance Question Answering [54.97384993676565]
  複雑な国内R&D規制から派生した運用知識グラフを特徴とする,新たなベンチマークであるRegOps-Benchを用いて,レギュレーションコンプライアンスQAを形式化する。 RefWalkはクロスドキュメントの引用を横切り、マックスベースのアグリゲーションを通じてマルチビュー候補を融合させ、ソースへのクレームを明示的にマッピングするためにルールごとの属性を強制する。
  論文  参考訳（メタデータ） (2026-05-28T10:38:38Z)
• R$^3$AG: Retriever Routing for Retrieval-Augmented Generation [59.47703698994575]
  R$3$AGは、検索機能を2つの学習可能なディメンション、すなわち検索品質と生成ユーティリティに分解する。 R$3$AGは、最高の個々のレトリバーと最先端の静的ルーティングメソッドの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-22T06:51:20Z)
• Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
  大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。 既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
  論文  参考訳（メタデータ） (2025-09-30T22:19:44Z)
• LTRR: Learning To Rank Retrievers for LLMs [53.285436927963865]
  ルーティングベースのRAGシステムは、単一リトリバーベースのシステムよりも優れていることを示す。 パフォーマンス向上は、特にAnswer Correctness(AC)メトリックでトレーニングされたモデルで顕著である。 SIGIR 2025 LiveRAG チャレンジの一環として,提案システムを用いて提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-06-16T17:53:18Z)
• Improve Rule Retrieval and Reasoning with Self-Induction and Relevance ReEstimate [11.890202757543307]
  本稿では,ルール検索の課題を体系的に解決する。 スパースや密集したレトリバーを用いて関連するルールを直接検索するバニラ検索法は、しばしば低い精度に悩まされる。 本稿では,Large Language Models (LLMs) を用いて潜在的な推論規則を導出する新しい手法であるSelf-Induction Augmented Retrieval (SIAR)を提案する。
  論文  参考訳（メタデータ） (2025-05-16T05:22:42Z)
• RuleRAG: Rule-Guided Retrieval-Augmented Generation with Language Models for Question Answering [18.59602224175808]
  ルール誘導型検索拡張生成方式(RuleRAG-ICL)を提案する。 RuleQAの実験では、Recall@10では+89.2%の検索品質が向上し、Exact Matchでは+103.1%の回答精度が向上した。 さらに、既存のRAGデータセット4つの実験では、ルールQAのルールを提供することで、ルールRAGが有効であることを示している。
  論文  参考訳（メタデータ） (2024-10-15T14:51:45Z)
• Controlling Neural Networks with Rule Representations [48.165658432032636]
  本稿では,ルールを深層学習に統合する新しい学習手法を提案する。 DeepCTRLはルールベースの目的と組み合わせて、ルールエンコーダをモデルに組み込む。 ルールの強度に適応するために再トレーニングをする必要はなく、推測すると、ユーザは所望の操作ポイントに基づいてそれを調整できる。
  論文  参考訳（メタデータ） (2021-06-14T23:28:56Z)

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。