論文の概要: CARA: Causally Guided Retrieval Agent for Question Answering
- arxiv url: http://arxiv.org/abs/2610.22017v1
- Date: Thu, 15 Oct 2026 14:57:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.13663
- Title: CARA: Causally Guided Retrieval Agent for Question Answering
- Title（参考訳）: CARA:質問応答のための因果案内検索エージェント
- Abstract要約: 既存のエージェントレトリバーは、グローバル検索とマルチホップ探索を適応的にバランスさせる。
我々は, 検索された証拠の因果関係を明確に評価する, 訓練不要でカウザリガイド付き検索エージェントであるCARAを提案する。
- 参考スコア（独自算出の注目度）: 6.791276432623459
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retrieval-augmented generation over text-rich knowledge graphs requires identifying evidence that contributes to answering a question, rather than merely matching its textual content. Existing agentic retrievers adaptively balance global search and multi-hop exploration but primarily rely on textual similarity to guide retrieval. We propose CARA, a training-free, CAusally guided Retrieval Agent that explicitly evaluates the causal relevance of retrieved evidence through two complementary criteria: consequentiality, measuring whether adding evidence improves answerability, and essentiality, assessing whether removing evidence weakens answerability. CARA integrates these assessments with path consistency to guide graph exploration and employs reciprocal rank fusion to aggregate evidence from multiple agents. We evaluate CARA on three STaRK datasets and augment STaRK with ground-truth answers to enable downstream question answering evaluation. Experimental results demonstrate that CARA consistently outperforms existing retrievers. CARA also improves answer quality and faithfulness while examining fewer graph nodes and requiring fewer retrieval operations. These findings demonstrate that causal relevance assessment enables more focused and effective agentic graph retrieval, improving both retrieval performance and downstream question answering.
- Abstract（参考訳）: テキストリッチな知識グラフに対する検索強化世代は、単にテキストの内容と一致するのではなく、質問に答えるのに寄与する証拠を特定する必要がある。
既存のエージェントレトリバーは、グローバル検索とマルチホップ探索を適応的にバランスさせるが、主にガイド検索のテキスト類似性に依存している。
CARAは,検索された証拠の因果関係を2つの相補的基準(逐次性,エビデンスの追加による解答可能性,本質性)で明確に評価し,証拠の除去が解答性を弱めるか否かを評価する。
CARAはこれらの評価を経路整合性と統合し、グラフ探索をガイドし、相互の階数融合を用いて複数のエージェントから証拠を収集する。
我々は,3つのSTaRKデータセット上でCARAを評価し,StaRKを接地トルースで拡張し,下流の質問応答評価を可能にする。
実験の結果、CARAは既存のレトリバーよりも一貫して優れていた。
CARAはまた、グラフノードを少なくし、検索操作を少なくしながら、回答の品質と忠実さを改善している。
これらの結果から,因果関係評価により,より集中的で効果的なエージェントグラフ検索が可能となり,検索性能と下流質問応答の改善が図られた。
関連論文リスト
- Assessing the Downstream Utility of Evidence-Aware Retrieval in RAG [3.976291254896486]
本研究では,検索者の比較,探索訓練の指導,下流の回答品質の予測,ジェネレータに供給された証拠のフィルタリングの4つの役割について回答支援信号について検討する。
信号は検索ランキングを変更するが、下流値が一様ではない。検索者訓練を確実に改善せず、システム選択に使用する利点は、検索した証拠の使い方によって異なる。
論文 参考訳（メタデータ） (2026-08-26T20:07:45Z) - CAFE: Self-Improving Search Agents Need Co-Evolving Feedback [64.5257526832476]
アウトカム管理された検索エージェントは、いつ、どのように証拠を回収するかを学習するが、端末の報酬は中間エラーのローカライズも、それらのエラーが複雑になる前に継続する軌道のリダイレクトもしない。
学習した軌道内での介入として修正的フィードバックを扱うことは、エージェントがいつフィードバックを要求し使用するかを決めなければならないのに対し、批評家は、エージェントが改善するにつれて障害パターンが変化する結果構築されたロールアウトから有用な修正を推測しなければならない。
論文 参考訳（メタデータ） (2026-08-25T16:39:00Z) - Diagnosing Search Behavior and Failure Modes in Long-Horizon Search Agents [63.2133766267587]
ディープサーチエージェントは、証拠収集のために検索クエリを反復的に発行することで、難解な情報検索質問に答える。
本研究では,長軸探索エージェントの軌跡レベル診断を用いてこれらの質問について検討する。
我々は,各探索ステップで得られた証拠を評価し,エージェントの行動の2つの段階を分離する。
論文 参考訳（メタデータ） (2026-08-03T08:46:48Z) - Search-G1: Grounded Search Agents via Representation-Based Intrinsic Rewards [4.1446390187932325]
検索強化された言語エージェントは、必要なときにのみ外部情報を検索し、その答えを検索された証拠に根拠づけるべきである。
本稿では,2つの介入校正読解を通してエージェントの回答の操作的根拠を測定する,表現に基づく本質的な報酬フレームワークであるSearch-G1を提案する。
論文 参考訳（メタデータ） (2026-07-24T15:22:57Z) - GRASP: GRanularity-Aware Search Policy for Agentic RAG [35.781196496632035]
本稿では,補完的検索ツールを適応的にコーディネートする訓練エージェントのための強化学習フレームワークGRASPを紹介する。
GRASPは、セマンティック検索、キーワード検索、段落読み込みアクションを提供する。
我々は、回答の正確性、接地された読み、補完的な検索、ターン効率を共同で説明する報酬でポリシーを訓練する。
論文 参考訳（メタデータ） (2026-07-11T19:58:07Z) - R$^2$-Searcher: Calibrating Retrieval and Reasoning Boundaries for Agentic Search [59.034878430183305]
R$2$-Searcherは、検索と推論の境界を明示的に探索し、校正する。
R$2$-Searcherは,解答精度と検索品質において,最先端のエージェント検索法よりも優れていることを示す。
論文 参考訳（メタデータ） (2026-06-26T19:44:34Z) - Rethinking Reasoning-Intensive Retrieval: Evaluating and Advancing Retrievers in Agentic Search Systems [55.04168927059962]
推論集約的な検索は、単にトピックの類似性に一致するのではなく、下流の推論を支持する証拠を明らかにすることを目的としている。
BRIGHT-Proは、専門家による注釈付きベンチマークで、各クエリを複数アスペクトのゴールドエビデンスで拡張する。
また,相補的な正と正条件の強陰性を生成するアスペクト分解型合成コーパスであるRTriever-Synthを構築した。
論文 参考訳（メタデータ） (2026-05-05T17:42:50Z) - SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback [68.60326181052658]
本稿では,高品質で難易度の高い探索問合せを自動生成するエージェントパイプラインを提案する。
我々のパイプラインであるSAGEは、QAペアを提案するデータジェネレータと、生成された質問を解決するための検索エージェントで構成される。
我々の本質的な評価は、SAGEが様々な推論戦略を必要とする質問を生成する一方で、生成したデータの正確性や難易度を著しく高めていることを示している。
論文 参考訳（メタデータ） (2026-01-26T06:37:56Z) - Beyond Relevance: Evaluate and Improve Retrievers on Perspective Awareness [56.42192735214931]
検索者は、ドキュメントとクエリ間のセマンティックな関連性に頼るだけでなく、ユーザクエリの背後にある微妙な意図や視点を認識することも期待されている。
本研究では,検索者がクエリの異なる視点を認識し,応答できるかどうかを検討する。
我々は,現在の検索者はクエリにおいて微妙に異なる視点に対する認識が限られており,特定の視点に偏りがあることを示す。
論文 参考訳（メタデータ） (2024-05-04T17:10:00Z)
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。