論文の概要: Weaver: Weaving Preference Evidence through Incremental Reasoning for Personalized Retrieval-Augmented Generation
- arxiv url: http://arxiv.org/abs/2611.05900v1
- Date: Wed, 04 Nov 2026 03:48:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.934758
- Title: Weaver: Weaving Preference Evidence through Incremental Reasoning for Personalized Retrieval-Augmented Generation
- Title(参考訳): Weaver:パーソナライズされた検索機能強化ジェネレーションのためのインクリメンタル推論による織り好みのエビデンス
- Abstract要約: Weaverは、メモリ条件付き検索トラジェクトリを織り込んだフレームワークで、パーソナライズされた応答に対する構成的選好推論を行う。
Weaverは、証拠の完全性と品質の両面で、主要なベースラインを上回ります。
- 参考スコア(独自算出の注目度): 0.6117371161379209
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personalized retrieval-augmented generation requires extracting and applying user preferences from extended interaction histories. This task is challenging because preference evidence is scattered across past conversations and remains bound to specific temporal and situational contexts. Consequently, isolated fragments rarely provide complete support for a response, while preferences expressed under different conditions are easily conflated. To address these limitations, we propose Weaver, a framework that incrementally weaves memory-conditioned retrieval trajectories with compositional preference reasoning for personalized responses. Weaver operates on a Dual-Layer Retrieval and Reasoning Graph that couples an upper Intent Dependency Graph with a lower Memory-Conditioned Retrieval Trajectory Graph. Dependency Information Gap Tracking represents the information needed to answer the current request and its prerequisite dependencies in the upper graph. Memory-Conditioned Incremental Retrieval uses established premises and clues from retrieved conversations to locate missing evidence, recording the resulting retrieval trajectories in the lower graph. Scope-Aware Compositional Reasoning jointly interprets the accumulated evidence to determine which preferences apply to the request. It identifies complementary and alternative support and distinguishes conflicting claims within the same temporal and situational context. These conclusions iteratively update task premises and remaining information gaps, guiding subsequent retrieval to establish a coherent contextual basis for the final response. Experiments on personalized RAG benchmarks, particularly PersonaMem, demonstrate that Weaver outperforms leading baselines in both evidence completeness and answer quality.
- Abstract(参考訳): パーソナライズされた検索強化生成には、拡張されたインタラクション履歴からユーザの好みを抽出し、適用する必要がある。
なぜなら、嗜好の証拠は過去の会話に散らばっていて、特定の時間的・状況的文脈に縛られているからである。
その結果、分離されたフラグメントが応答を完全にサポートすることは滅多になく、異なる条件下で表現された嗜好は容易に混同される。
これらの制約に対処するため,メモリ条件付き検索トラジェクトリを段階的に織り込み,パーソナライズされた応答に対する構成的選好推論を行うフレームワークWeaverを提案する。
WeaverはDual-Layer Retrieval and Reasoning Graphで動作し、上位のIntent Dependency Graphと下位のMemory-Conditioned Retrieval Trajectory Graphを結合する。
依存性情報ギャップ追跡(Dependency Information Gap Tracking)は、現在の要求に応答するために必要な情報と、上位グラフの必須依存関係を表す。
Memory-Conditioned Incremental Retrievalは、確立された前提と、検索された会話からの手がかりを使用して、行方不明の証拠を見つけ出し、その結果の検索軌跡を下層グラフに記録する。
スコープ対応構成推論は、蓄積された証拠を共同で解釈し、要求にどの好みを適用するかを決定する。
補完的および代替的なサポートを特定し、同じ時間的および状況的コンテキスト内で矛盾するクレームを区別する。
これらの結論は、タスクの前提と残りの情報ギャップを反復的に更新し、最終的な応答に対する一貫性のあるコンテキストベースを確立するための後続の検索を導く。
パーソナライズされたRAGベンチマーク、特にPersonaMemの実験では、Weaverはエビデンス完全性と回答品質の両方において、主要なベースラインを上回っている。
関連論文リスト
- PACE-Mem: Prefix-Aware Complementary Evidence for Multimodal Agents [22.298735041137405]
相補的なエビデンスシーケンスを構築し,同じ選択軌道から長さを決定するPACE-Memを提案する。
構造化メモリの場合、クエリ誘導プーリングは各クリップ内のレコードを組み合わせて、関連スコアと表現を取得する。
PACE-Memは、Adaptive-kよりも平均1.6%精度が向上する。
論文 参考訳(メタデータ) (2026-10-17T02:24:19Z) - Memory Control Signals Emerge Before Action in Long Horizon Agents [55.84813053778976]
各エージェントアクションの直前に隠された状態を調べ、圧縮とリコールの要求がモデルの内部表現にすでにエンコードされていることを確認する。
本研究では,状態誘導圧縮と外部エビデンス検索を組み合わせたPreaction Memory with Evidence Retrieval (PaMER)を提案する。
論文 参考訳(メタデータ) (2026-09-23T03:23:34Z) - Disentangling Long-Term Memory via Latent Neuro-Symbolic Reasoning [47.430887329861264]
LGMは、長期記憶のゆがみを連続的な潜伏空間に変える新しいニューロシンボリック・フレームワークである。
過去のインタラクションを潜在メモリノードにマッピングし、メモリトレースをスパースなコンセプトアクティベーションに切り離す。
パーソナライズされた応答を可能にしながら、明示的および暗黙的な嗜好の両方をキャプチャすることで、最先端のベースラインを大幅に上回る。
論文 参考訳(メタデータ) (2026-09-16T10:55:22Z) - Navigating Sparse Evidence: Agentic Visual RAG via Explicit Context Selection and Consolidation [50.92223196290564]
明示的な証拠選択と統合のための統一エージェントループを提案する。
探索中、SCoREはクエリ関連観測とソースポインタのみを保守されたテキスト台帳に保持する。
終了時には、参照された元のイメージを再ロードし、答えの視覚的証拠を統合し、論理的なシーケンスにアレンジする。
論文 参考訳(メタデータ) (2026-09-14T16:11:35Z) - Beyond One-Shot Expansion: Contrastive Evidence Exploration for Multi-Hop Retrieval [19.37201042661162]
本研究では,エビデンス条件付き探索,パス特化コントラスト改善,カバレッジ対応ファイナルランキングを組み込んだ,トレーニング不要なマルチホップ検索フレームワークを提案する。
MuSiQue、HotpotQA、および2WikiMultihopQAの実験では、ベースラインよりも検索品質と下流QAパフォーマンスが一貫した改善が示されている。
論文 参考訳(メタデータ) (2026-09-07T05:13:56Z) - MMAgent-R$^2$: Learning to Rerank and Reject for Agentic mRAG [50.46218163777298]
知識に基づくビジュアル質問回答 (KB-VQA) では、大規模百科事典の知識ベースからクエリ画像と一致する視覚エンティティを検索し、関連する質問に答える必要がある。
MMAgent-R$2$は、視覚的リランク化と能動的拒絶を内部検証機構として統合したエージェントmRAGフレームワークである。
論文 参考訳(メタデータ) (2026-07-08T13:15:39Z) - Thinking Ahead: Prospection-Guided Retrieval of Memory with Language Models [10.094292900770261]
ロングホライゾンのパーソナライズには、対話履歴からユーザ固有の事実を検索する対話アシスタントが必要である。
実際には、多くの関連する事実は、密集した検索条件下でのクエリと意味的相似性が低いことが多い。
本稿では,記憶の保存方法から検索を分離するPGR(Prospection-Guided Retrieval)を提案する。
論文 参考訳(メタデータ) (2026-05-13T22:57:54Z) - FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。
レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。
我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
論文 参考訳(メタデータ) (2026-04-14T17:04:25Z)
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。